Компьютерные науки > Машинное обучение [представлено 6 августа 2026 (v1), последний пересмотренный вариант от 25 октября 2026 года (эта версия v2)) Название: The Tamed субградиент Нескорректированный Langevin Algorithm за пределами Convexity View PDF HTML (экспериментальное) резюме: Мы изучаем проблему отбора проб из целевых распределения, потенциал которых одновременно не является сухим, при условии сверхлинейного роста градиента и без выпуклости. Мы представляем субградиент Тэмед Нескорректированный Лангевин Алгоритм (SG-TULA), дискретизацию диффузии Langevin, которая действует непосредственно на субgradients, не полагаясь при этом на расчетно требовательные процедуры сглаживания. Для работы с сверхлинейным режимом используются методы таминирования, чтобы создать стабильную и четкую схему. Мы вычисляем неасимптотические границы конвергенции в Вассерштейне-2, при этом все константы четко отслеживаются с точки зрения размеров и обратной температуры, улучшаяся по нынешним известным скорости для подградиентных алгоритмов Лангевин. Кроме того, мы представляем оценки избыточного риска в связи с связанной с этим проблемой оптимизации. Мы проверяем допущения, с четко выраженными константами, в отношении регулируемого предварительного потенциала ЛММ по линии ГПТ-2 и усовершенствованного варианта СГ-ТУЛА предквалифицирует первый конкурентоспособно против откорректированного АдамВ и Муона, для которых на данный момент отсутствуют сопоставимые неасимптотические гарантии. История…
Нескорректированный подградиент Лангевин Алгоритм за пределами Конвекситета
arXiv: 2608.06283v2 Annuales Type: заменить кросс-бюллетень: Мы изучаем проблему отбора проб на основе целевых распределения, потенциал которых одновременно не является мягким и зависит от сверхлинейного роста градиента и выпуклых значений. Мы представляем субградиент Тэмед Нескорректированный Лангевин Алгоритм (SG-TULA), дискретизацию диффузии Langevin, которая действует непосредственно на субgradients, не полагаясь при этом на расчетно требовательные процедуры сглаживания. Для работы с сверхлинейным режимом используются методы таминирования, чтобы создать стабильную и четкую схему. Мы вычисляем неасимптотические границы конвергенции в Вассерштейне-2, при этом все константы четко отслеживаются с точки зрения размеров и обратной температуры, улучшаяся по нынешним известным скорости для подградиентных алгоритмов Лангевин. Кроме того, мы представляем оценки избыточного риска в связи с связанной с этим проблемой оптимизации. Мы проверяем допущения, с четко выраженными константами, в отношении регулируемого потенциала предварительной подготовки МВУ по линии GPT-2 и