اکسپرس 24
ترجمه فارسی مقاله پیچیدگی کمینه‌سازی توابع گرادیان تصویر شده با اوراکل‌های تصادفی مرتبه اول

ترجمه فارسی مقاله پیچیدگی کمینه‌سازی توابع گرادیان تصویر شده با اوراکل‌های تصادفی مرتبه اول

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Complexity of Minimizing Projected-Gradient-Dominated Functions with Stochastic First-order Oracles
عنوان مقاله به فارسی پیچیدگی کمینه‌سازی توابع گرادیان تصویر شده با اوراکل‌های تصادفی مرتبه اول
نویسندگان Saeed Masiha, Saber Salehkaleybar, Niao He, Negar Kiyavash, Patrick Thiran
فرمت مقاله انگلیسی PDF
تعداد صفحات 41
دسته بندی موضوعات Optimization and Control,Machine Learning,بهینه سازی و کنترل , یادگیری ماشین ,
توضیحات Submitted 3 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 3 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 1,640,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

This work investigates the performance limits of projected stochastic first-order methods for minimizing functions under the $(α,τ,mathcal{X})$-projected-gradient-dominance property, that asserts the sub-optimality gap $F(mathbf{x})-min_{mathbf{x}'in mathcal{X}}F(mathbf{x}')$ is upper-bounded by $τcdot|mathcal{G}_{η,mathcal{X}}(mathbf{x})|^α$ for some $αin[1,2)$ and $τ>0$ and $mathcal{G}_{η,mathcal{X}}(mathbf{x})$ is the projected-gradient mapping with $η>0$ as a parameter. For non-convex functions, we show that the complexity lower bound of querying a batch smooth first-order stochastic oracle to obtain an $ε$-global-optimum point is $Ω(ε^{-{2}/α})$. Furthermore, we show that a projected variance-reduced first-order algorithm can obtain the upper complexity bound of $mathcal{O}(ε^{-{2}/α})$, matching the lower bound. For convex functions, we establish a complexity lower bound of $Ω(log(1/ε)cdotε^{-{2}/α})$ for minimizing functions under a local version of gradient-dominance property, which also matches the upper complexity bound of accelerated stochastic subgradient methods.

چکیده به فارسی (ترجمه ماشینی)

این کار محدودیت های عملکرد روشهای مرتبه اول پیش بینی شده برای به حداقل رساندن توابع تحت $ (α ، τ ، Mathcal {x}) $-خاصیت پیش بینی شده-کلاس-تقاضا را بررسی می کند ، که ادعا می کند شکاف زیر حد مطلوب $ f (Mathbf {x})- min _ { mathbf {x} ' in mathcal {x}}} f ( mathbf {x}') $ با $ τ τ cdot | mathcal {g} _} _} _. Mathcal {x}} ( mathbf {x}) $ نقشه برداری از کلاس پیش بینی شده با $ η> 0 $ به عنوان یک پارامتر است.برای توابع غیر کنفکس ، ما نشان می دهیم که پیچیدگی پایین تر از پرس و جو یک دسته از اوراکل تصادفی مرتبه اول صاف برای به دست آوردن یک نقطه ε $ -global-optimum $ $ (ε^{-{2}/α}) $ $ است.بشرعلاوه بر این ، ما نشان می دهیم که یک الگوریتم پیش بینی شده با واریانس مرتبه اول می تواند پیچیدگی بالایی از $ Mathcal {O} (ε^{-{2}/α}) $ را بدست آورد ، و مطابق با مرز پایین باشد.برای توابع محدب ، ما پیچیدگی پایین تر از $ ω ( log (1/ε) cdotε^{-{2}/α}) $ را برای به حداقل رساندن توابع تحت یک نسخه محلی از خاصیت دامنه شیب ایجاد می کنیم ، که مطابقت دارد.مرز پیچیدگی بالایی روشهای زیر بخش تصادفی شتاب.

📚 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.