ترجمه فارسی مقاله فرار از نقاط مینیما و زین محلی در مشکلات بهینه سازی غیر کنفکس بالا

چکیده

This paper addresses the challenges of high-dimensional non-convex optimization, particularly the inefficiencies caused by saddle points. The authors propose several techniques for detecting, evading, and optimizing in the presence of these saddle points. We begin by analyzing saddle point detection through the Hessian spectrum, showing that the likelihood of encountering saddle points increases with dimensionality. We introduce stochastic gradient perturbation, which adds noise to escape saddle points and avoid premature convergence, and emphasize the importance of gradient flow dynamics and adaptive learning rates in ensuring convergence to local minima. The paper validates these methods within constrained optimization problems and explores randomized subspace optimization, reducing search space dimensionality while maintaining global convergence efficiency. These findings offer a comprehensive framework for enhancing the reliability and efficiency of high-dimensional non-convex optimization.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به چالش های بهینه سازی غیر کنفکس بالا ، به ویژه ناکارآمدی های ناشی از نقاط زین پرداخته شده است.نویسندگان چندین روش برای شناسایی ، فرار و بهینه سازی در حضور این نقاط زین پیشنهاد می کنند.ما با تجزیه و تحلیل تشخیص نقطه زین از طریق طیف هسیایی شروع می کنیم و نشان می دهیم که احتمال مواجهه با نقاط زین با ابعاد افزایش می یابد.ما آشفتگی شیب تصادفی را معرفی می کنیم ، که باعث می شود سر و صدایی برای فرار از نقاط زین و جلوگیری از همگرایی زودرس و بر اهمیت دینامیک جریان شیب و میزان یادگیری تطبیقی ​​در اطمینان از همگرایی به حداقل محلی تأکید کنیم.این مقاله این روشها را در مشکلات بهینه سازی محدود تأیید می کند و بهینه سازی زیر مجموعه تصادفی را بررسی می کند و ضمن حفظ کارایی جهانی همگرایی ، ابعاد فضای جستجو را کاهش می دهد.این یافته ها یک چارچوب جامع برای افزایش قابلیت اطمینان و کارآیی بهینه سازی غیر متمایز با ابعاد بالا ارائه می دهد.