ترجمه فارسی مقاله روش‌های شبه نیوتنی حریصانه چندگانه برای مسائل نقطه زینی

چکیده

This paper introduces the Multiple Greedy Quasi-Newton (MGSR1-SP) method, a novel approach to solving strongly-convex-strongly-concave (SCSC) saddle point problems. Our method enhances the approximation of the squared indefinite Hessian matrix inherent in these problems, significantly improving both stability and efficiency through iterative greedy updates. We provide a thorough theoretical analysis of MGSR1-SP, demonstrating its linear-quadratic convergence rate. Numerical experiments conducted on AUC maximization and adversarial debiasing problems, compared with state-of-the-art algorithms, underscore our method’s enhanced convergence rate. These results affirm the potential of MGSR1-SP to improve performance across a broad spectrum of machine learning applications where efficient and accurate Hessian approximations are crucial.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله روش چند گورستان شبه حریص (MGSR1-SP) ، یک رویکرد جدید برای حل مشکلات زین به شدت-تبدیل شده به صورت زین (SCSC) ارائه شده است.روش ما تقریب ماتریس هسیایی نامشخص مربعی ذاتی در این مشکلات را افزایش می دهد ، هم از طریق به روزرسانی های حریص تکراری ، ثبات و کارآیی را به طور قابل توجهی بهبود می بخشد.ما یک تجزیه و تحلیل نظری کامل از MGSR1-SP ارائه می دهیم ، نشان می دهد میزان همگرایی خطی-کادراتیک آن.آزمایش های عددی انجام شده در مورد حداکثر رساندن AUC و مشکلات اختلاف نظر مخالف ، در مقایسه با الگوریتم های پیشرفته ، میزان همگرایی پیشرفته روش ما را تأکید می کند.این نتایج پتانسیل MGSR1-SP را برای بهبود عملکرد در طیف گسترده ای از برنامه های یادگیری ماشین تأیید می کند که در آن تقریبهای کارآمد و دقیق هسیایی بسیار مهم است.