Optimization and Control,Machine Learning,Numerical Analysis,Machine Learning,بهینه سازی و کنترل , یادگیری ماشین , تجزیه و تحلیل عددی , یادگیری ماشین ,
توضیحات
Submitted 16 September, 2024; v1 submitted 15 September, 2024; originally announced September 2024. , Comments: Fixed several typos , MSC Class: 90C15; 90C26; 90C30; 65K05
توضیحات به فارسی
ارائه شده 16 سپتامبر 2024 ؛V1 ارسال شده در 15 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: چندین تایپ ، کلاس MSC ثابت: 90C15 ؛90C26 ؛90C30 ؛65K05
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
In this paper, we study a class of deterministically constrained stochastic optimization problems. Existing methods typically aim to find an $ε$-stochastic stationary point, where the expected violations of both constraints and first-order stationarity are within a prescribed accuracy $ε$. However, in many practical applications, it is crucial that the constraints be nearly satisfied with certainty, making such an $ε$-stochastic stationary point potentially undesirable due to the risk of significant constraint violations. To address this issue, we propose single-loop variance-reduced stochastic first-order methods, where the stochastic gradient of the stochastic component is computed using either a truncated recursive momentum scheme or a truncated Polyak momentum scheme for variance reduction, while the gradient of the deterministic component is computed exactly. Under the error bound condition with a parameter $θ\geq 1$ and other suitable assumptions, we establish that the proposed methods achieve a sample complexity and first-order operation complexity of $\widetilde O(ε^{-\max\{4, 2θ\}})$ for finding a stronger $ε$-stochastic stationary point, where the constraint violation is within $ε$ with certainty, and the expected violation of first-order stationarity is within $ε$. To the best of our knowledge, this is the first work to develop methods with provable complexity guarantees for finding an approximate stochastic stationary point of such problems that nearly satisfies all constraints with certainty.
چکیده به فارسی (ترجمه ماشینی)
در این مقاله ، ما یک کلاس از مشکلات بهینه سازی تصادفی محدود به طور قطعی را مطالعه می کنیم.روشهای موجود به طور معمول با هدف یافتن یک نقطه ثابت and $ $-$-$ ، جایی که نقض مورد انتظار هر دو محدودیت و ثابت بودن مرتبه اول در یک دقت تعیین شده $ ε $ است.با این حال ، در بسیاری از کاربردهای عملی ، بسیار مهم است که محدودیت ها تقریباً از یقین راضی باشند ، و چنین نقطه ثابت and $ $-$ را که به دلیل خطر نقض محدودیت قابل توجه ، نامطلوب است ، ایجاد می کند.برای پرداختن به این مسئله ، ما روشهای مرتبه اول مرتبه ای از واریانس تک حلقه ای را پیشنهاد می کنیم ، جایی که شیب تصادفی مؤلفه تصادفی با استفاده از یک طرح حرکت بازگشتی کوتاه یا یک طرح حرکت پلی آیک کوتاه برای کاهش واریانس محاسبه می شود ، در حالی که شیب کاهشمؤلفه قطعی دقیقاً محاسبه می شود.در شرایط خطای محدود با یک پارامتر $ θ \ geq 1 $ و سایر فرضیات مناسب ، ما ثابت می کنیم که روش های پیشنهادی به پیچیدگی نمونه و پیچیدگی عملکرد مرتبه اول $ \ widetilde o (ε^{-\ max \ {4 دست می یابیم.، 2θ \}}) $ برای پیدا کردن یک نقطه ثابت and and $-$-$ قوی تر ، جایی که نقض محدودیت در $ $ $ با اطمینان است ، و نقض مورد انتظار ثابت بودن مرتبه اول با $ ε $ است.به بهترین دانش ما ، این اولین کار برای توسعه روش هایی با تضمین های پیچیدگی قابل اثبات برای یافتن یک نقطه ثابت تصادفی تصادفی از چنین مشکلاتی است که تقریباً همه محدودیت ها را با اطمینان برآورده می کند.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
