ترجمه فارسی مقاله بهینه سازی دوسطحی غیر محدب آنلاین با واگرایی های برگمن

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Online Nonconvex Bilevel Optimization with Bregman Divergences
عنوان مقاله به فارسی بهینه سازی دوسطحی غیر محدب آنلاین با واگرایی های برگمن
نویسندگان Jason Bohne, David Rosenberg, Gary Kazantsev, Pawel Polak
فرمت مقاله انگلیسی PDF
تعداد صفحات 40
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Optimization and Control,Machine Learning,بهینه سازی و کنترل , یادگیری ماشین ,
توضیحات Submitted 16 September, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده 16 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Bilevel optimization methods are increasingly relevant within machine learning, especially for tasks such as hyperparameter optimization and meta-learning. Compared to the offline setting, online bilevel optimization (OBO) offers a more dynamic framework by accommodating time-varying functions and sequentially arriving data. This study addresses the online nonconvex-strongly convex bilevel optimization problem. In deterministic settings, we introduce a novel online Bregman bilevel optimizer (OBBO) that utilizes adaptive Bregman divergences. We demonstrate that OBBO enhances the known sublinear rates for bilevel local regret through a novel hypergradient error decomposition that adapts to the underlying geometry of the problem. In stochastic contexts, we introduce the first stochastic online bilevel optimizer (SOBBO), which employs a window averaging method for updating outer-level variables using a weighted average of recent stochastic approximations of hypergradients. This approach not only achieves sublinear rates of bilevel local regret but also serves as an effective variance reduction strategy, obviating the need for additional stochastic gradient samples at each timestep. Experiments on online hyperparameter optimization and online meta-learning highlight the superior performance, efficiency, and adaptability of our Bregman-based algorithms compared to established online and offline bilevel benchmarks.

چکیده به فارسی (ترجمه ماشینی)

روشهای بهینه سازی صفراوی به طور فزاینده ای در یادگیری ماشین ، به ویژه برای کارهایی مانند بهینه سازی هایپرپارامتر و یادگیری متا مرتبط هستند.در مقایسه با تنظیمات آفلاین ، بهینه سازی صفراوی آنلاین (OBO) با استفاده از توابع متغیر زمان و داده های متوالی ، یک چارچوب پویاتر را ارائه می دهد.این مطالعه به مسئله بهینه سازی صفراوی محدب محدب آنلاین غیرحضوری می پردازد.در تنظیمات قطعی ، ما یک رمان آنلاین Bregman Bilevel Optimizer (OBBO) را معرفی می کنیم که از واگرایی های تطبیقی ​​Bregman استفاده می کند.ما نشان می دهیم که OBBO میزان زیر خطی شناخته شده را برای پشیمانی محلی صفرا از طریق تجزیه خطای جدید فشار خون که با هندسه اساسی مشکل سازگار است ، افزایش می دهد.در زمینه های تصادفی ، ما اولین بهینه ساز آنلاین Bilevel (SOBBO) را معرفی می کنیم ، که از یک روش متوسط ​​پنجره برای به روزرسانی متغیرهای سطح بیرونی با استفاده از میانگین وزنی تقریب های تصادفی اخیر از فشار خون استفاده می کند.این رویکرد نه تنها به میزان زیر خطی پشیمانی محلی صفراوی دست می یابد بلکه به عنوان یک استراتژی کاهش واریانس مؤثر عمل می کند و از نیاز به نمونه های شیب تصادفی اضافی در هر زمان بندی جلوگیری می کند.آزمایشات مربوط به بهینه سازی هایپرپارامتر آنلاین و یادگیری متا ، عملکرد برتر ، کارآیی و سازگاری الگوریتم های مبتنی بر Bregman ما را در مقایسه با معیارهای ایجاد شده بصورت آنلاین و آفلاین نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.