12:05
官方账号arXiv cs.LG@Shashwat Kumar, Arafat Rahman, Anuj Srivastava, P. -A. Absil
推荐理由：这篇论文提出用光滑重参数化把单纯形约束变成无约束，黎曼梯度下降比投影梯度下降更好，做张量分解和函数配准更靠谱。
KKT
共 2 条相关 AI 资讯
8月4日
12:05
该论文研究定义在单纯形乘积空间上的优化问题，涵盖低秩离散多变量概率分布学习和基于SRVF的函数数据配准。作者提出用逐元素严格凸的光滑重参数化替代乘积单纯形，将约束优化转化为流形上的无约束优化。该重参数化使流形上的二阶KKT点映射到乘积单纯形上的弱二阶KKT点。基于此提出的黎曼梯度下降（RGD）算法优于投影梯度下降（PGD），并在曲线配准中更忠实保留函数形状。
6月29日
10:15
10:15
官方账号arXiv cs.LG@Shuang Li, Zhihui Zhu, Qiuwei Li
推荐理由：这篇论文证明了Bregman ADMM在非凸非Lipschitz优化中几乎必然收敛到二阶KKT点，解决了传统方法无法处理多项式目标的问题，对矩阵分解等应用有实际指导意义。