在线学习和在线凸优化(online learning and online convex optimization)—在线凸优化框架3
2024-10-21 07:39:09
近年来,许多有效的在线学习算法的设计受到凸优化工具的影响。 此外,据观察,大多数先前提出的有效算法可以基于以下优雅模型联合分析:
凸集的定义:
一个向量 的Regret定义为:
如前所述,算法相对于竞争向量的集合U的Regret被定义为:
备注:
在线凸优化问题中,学习机的预测应该来自集合S,而我们分析关于集合U的Regret。当我们不指定U时,我们默认U=S。另外,S的默认设置将是。
未完,待续。。。。。。
接下来,我们从凸化技术开始,展示了如何在非凸问题中利用在线凸优化框架。然后,我们开始描述和分析在线凸优化的算法框架。
最新文章
- AngularJS之ng-class(十一)
- Android Studio的配置问题——Intel HAXM is required to run this AVD,VT-x is disabled in BIOS;
- js判断移动端是否安装某款app的多种方法
- python 常用函数(不定时更新)
- webrtc学习(一): webrtc开始
- JMeter创建FTP测试
- 依赖ConstraintLayout报错,Could not find *****,Failed to resolve:*****
- Java温故而知新-插入排序
- 【请您听我说】PHP语法特点的一些看法
- Centos6.5修改镜像为国内的阿里云源
- Micro- and macro-averages
- PAT 甲级 1023 Have Fun with Numbers(20)(思路分析)
- Django---项目如何创建
- 日历视图(CalendarView)
- VS2008+Windows DDK 7的环境配置(二)
- POJ 1597 Function Run Fun
- 配置MDM的描述文件
- Eclipse 中打开选中文件/文件夹所在目录
- BBU+RRU基本介绍
- linux内核设计学习