英文原标题:An inexact stochastic variance-reduced gradient method for constrained convex finite-sum optimization

本文为英文原文的机器翻译摘要,原文见:arXiv cs.LG ↗

本文研究一类约束凸有限和优化问题。在许多实际应用中,全部或部分约束是代表强制性要求的硬约束。因此,任何理想的近似解都必须(几乎)满足这些约束。受此启发,我们专注于计算 $ε$-$surely\ feasible\ stochastic\ optimal$($ε$-SFSO)解,其中约束违反被确定性地限制在 $ε$ 以内,且期望最优性差距至多为 $ε$。虽然最近提出的一种随机方差缩减一阶惩罚方法可以计算 $ε$-SFSO 解,但其计算 $ε$-SFSO 解的一阶预言机复杂度与计算 $ε$-$expected\ feasible\ stochastic\ optimal$ 解(其中期望约束违反和期望最优性差距均被 $ε$ 限制)的复杂度之间仍存在显著差距。为缩小这一差距,我们提出一种非精确随机

站内导航