.png){kind=icon}
.png){kind=icon}
返回
Subsampled cubic regularization method with distinct sample sizes for function, gradient, and Hessian
.png){kind=icon}
OA
AI
DOI：10.1007/s40314-026-03892-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出并研究了一种用于有限和复合优化问题的子采样三次正则化方法，其中函数、梯度和海森矩阵使用可能不同的样本量进行估计。通过允许每个量拥有自己的采样策略，所提出的方法为控制模型组件的精度以及更好地平衡计算量和估计质量提供了更大的灵活性。这种灵活性在评估这些量的相对成本可能显著变化的大规模设置中尤其有价值。我们为计算近似一阶临界点建立了迭代复杂度界，并证明了全局收敛性质。此外，我们展示了数值实验以说明所提出方法的实际性能。
Keyword:
Cubic regularization method
Subsampled technique
Composite optimization problem
Iteration-complexity