Asymptotic optimality in stochastic optimization
随机优化中的渐近最优性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用随机凸优化理论和算法，未明确对应所列经济计量细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
随机优化中的渐近最优性
- 研究问题
- 随机凸优化的局部统计难度如何由目标函数与约束几何决定，哪些在线算法能够适应这种难度并达到相应的最优收敛保证？
- 方法与思路
- 作者建立局部极小极大理论，将函数特定下界与倾斜稳定性联系起来，并研究对偶平均变体及黎曼随机梯度方法的最优性。
- 材料陈述的贡献
- 摘要称给出局部下界与自适应在线最优结果，展示对偶平均变体可有限时间识别约束，并指出标准随机梯度在非线性约束下的次优性。
- 阅读关注点
- 应核对局部复杂度与最优性的定义、倾斜稳定性条件、有限时间约束识别的要求，以及线性和非线性约束下的比较范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未给出函数与噪声条件或具体收敛界，不能断言标准随机梯度普遍次优或推断刊本变化。
原文摘要
We study local complexity measures for stochastic convex optimization problems, providing a local minimax theory analogous to that of Hájek and Le Cam for classical statistical problems. We give complementary optimality results, developing fully online methods that adaptively achieve optimal convergence guarantees. Our results provide function-specific lower bounds and convergence results that make precise a correspondence between statistical difficulty and the geometric notion of tilt-stability from optimization. As part of this development, we show how variants of Nesterov’s dual averaging—a stochastic gradient-based procedure—guarantee finite time identification of constraints in optimization problems, while stochastic gradient procedures fail. Additionally, we highlight a gap between problems with linear and nonlinear constraints: standard stochastic-gradient-based procedures are suboptimal even for the simplest nonlinear constraints, necessitating the development of asymptotically optimal Riemannian stochastic gradient methods.