凸優(yōu)化：算法與復雜性

定　價：￥59.00

作　者：	[美]塞巴斯蒂安·布貝克
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111683513	出版時間：	2021-06-01	包裝：	平裝-膠訂
開本：	16開	頁數：	136	字數：

內容簡介

　　本書介紹了凸優(yōu)化中的主要復雜性定理及其相應的算法。從黑箱優(yōu)化的基本理論出發(fā)，內容材料是朝著結構優(yōu)化和隨機優(yōu)化的新進展。我們對黑箱優(yōu)化的介紹，深受Nesterov的開創(chuàng)性著作和Nemirovski講稿的影響，包括對切割平面方法的分析，以及（加速）梯度下降方案。我們還特別關注非歐幾里德的情況（相關算法包括Frank Wolfe、鏡像下降和對偶平均法），并討論它們在機器中的相關性學習。我們慢慢的介紹了FISTA（優(yōu)化一個光滑項和一個簡單的非光滑項的和）、鞍點鏡像代理（Nemirovski平滑替代Nesterov的光滑）和一個對內點方法的簡明描述。在隨機優(yōu)化中，我們討論了隨機梯度下降、小批量、隨機坐標下降和次線性算法。我們還簡單地討論了組合問題的凸松弛和隨機性對取整（四舍五入）解的使用，以及基于隨機游動的方法。

作者簡介

　　塞巴斯蒂安·布貝克（Sébastien Bubeck）是微軟Redmond研究院理論組的首席研究員，曾擔任COLT 2013、COLT 2014的聯(lián)席主席，NIPS 2012、NIPS 2014、NIPS 2016、COLT 2013、COLT 2014、COLT 2015、COLT 2016、ICML 2015、ICML 2016、ALT 2013、ALT 2014的項目委員會成員，也是COLT的指導委員會成員。其研究興趣包括機器學習、凸優(yōu)化、統(tǒng)計網絡分析、隨機圖和隨機矩陣，以及信息論在學習、優(yōu)化和概率中的應用。

圖書目錄

譯者序
致謝
第1章緒論1
11機器學習中的若干凸優(yōu)化問題1
12凸性的基本性質3
13凸性的作用5
14黑箱模型7
15結構性優(yōu)化8
16結果的概述和免責聲明9
第2章有限維的凸優(yōu)化12
21重心法12
22橢球法14
23Vaidya割平面法18
231體積障礙19
232Vaidya算法20
233Vaidya方法分析20
234限制條件和體積障礙22
24共軛梯度26
第3章維度無關的凸優(yōu)化30
31Lipschitz函數的投影次梯度下降31
32光滑函數的梯度下降33
33條件梯度下降39
34強凸性43
341 強凸函數和Lipschitz函數44
342強凸光滑函數45
35下限47
36幾何下降52
361熱身賽：梯度下降的幾何學替代方案53
362加速度55
363幾何下降法56
37Nesterov加速梯度下降58
371光滑強凸情況58
372光滑的情況62
第4章非歐氏空間幾乎維度無關的凸優(yōu)化65
41鏡像映射66
42鏡像下降67
43鏡像下降的標準設置70
44惰性鏡像下降72
45鏡像代理74
46關于MD、DA和MP的向量場觀點76
第5章超越黑箱模型78
51光滑項與簡單非光滑項之和78
52非光滑函數的光滑鞍點表示80
521鞍點計算81
522鞍點鏡像下降82
523鞍點鏡像代理83
524應用84
53內點法87
531障礙法87
532牛頓法的傳統(tǒng)分析88
533自和諧函數90
534ν自和諧障礙92
535路徑跟蹤方案95
536線性規(guī)劃和半定規(guī)劃的內點法96
第6章凸優(yōu)化與隨機性98
61非光滑隨機優(yōu)化99
62光滑隨機優(yōu)化與小批量SGD100
63光滑函數與強凸函數的和103
64隨機坐標下降107
641坐標平滑優(yōu)化的RCD算法108
642用于光滑和強凸優(yōu)化的RCD110
65鞍點的隨機加速112
66凸松弛與隨機取整113
67基于隨機游動的方法117
參考文獻120