Компьютерные науки > Машинное обучение [представлено 9 октября 2026 года] Название: частично информированная стохастическая оптимизация через Zeroth-Order Residulal View HTML (экспериментальный) резюме: многие проблемы оптимизации обеспечивают прямой доступ только к части градиента, а оставшийся компонент должен быть выведен из оценки функций. Эта структура возникает в плане производительного прогнозирования, повышения эффективности обучения и двууровневой оптимизации при более низком уровне. Мы внедряем частично информированную стохастическую оптимизацию (PISO), которая сочетает имеющийся градиентный компонент с текущей оценкой остаточной величины. Приведя в центр каждое наблюдение нулевого порядка к этой оценке, PISO делает разницу из-за случайного поиска зависит от ошибки слежения, а не величины остаточной величины. Это дает случайную итерацию с помощью явного механизма сокращения и принципиальной интерпретации динамики. Для достижения бесперебойных целей мы установим гарантии конвергенции, которые зависят от вариаций остаточного компонента и его начальной величины без требования единообразной увязки с недоступным градиентным компонентом. При независимо отобранных оценках функций и гауссианских или сферических пробах PIS позволяет решить основные проблемы оценки функции /(O (d) {2}\varepsilon_ {6} прогностические градиенты Липшица и ~(o( d { 2} варопсилон {5}) промежутки времени под дополнительным липишц-гезийским предположением. Для этого требуется только одно…
Частичная информация о стохастической оптимизации с помощью системы " Ноль-Ордера >
arXiv: 261 010.13871v1 Сообщение типа: новое резюме: многие проблемы оптимизации обеспечивают прямой доступ только к части уклона, а оставшийся компонент должен быть выведен из оценки функций. Эта структура возникает в плане производительного прогнозирования, повышения эффективности обучения и двууровневой оптимизации при более низком уровне. Мы внедряем частично информированную стохастическую оптимизацию (PISO), которая сочетает имеющийся градиентный компонент с текущей оценкой остаточной величины. Приведя в центр каждое наблюдение нулевого порядка к этой оценке, PISO делает разницу из-за случайного поиска зависит от ошибки слежения, а не величины остаточной величины. Это дает случайную итерацию с помощью явного механизма сокращения и принципиальной интерпретации динамики. Для достижения бесперебойных целей мы установим гарантии конвергенции, которые зависят от вариаций остаточного компонента и его начальной величины без требования единообразной увязки с недоступным градиентным компонентом.