Fast Spawn\&Prune (FS\&P): Global convergence of stochastic conic particle gradient descent via birth/death process
Fast Spawn&Prune：随机锥粒子梯度下降的全局收敛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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要内容为测度空间上的非凸优化算法与收敛率理论，未涉及因果推断、面板、离散选择、时间序列、资产定价等所列领域细分，故不选择。
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…
Fast Spawn&Prune：随机锥粒子梯度下降的全局收敛
- 研究问题
- 摘要称，研究连续稀疏回归中 Beurling LASSO（BLASSO）目标在测度空间上的全局优化问题，关注 CPGD 类方法因参数化非凸而可能陷入局部极小值的困难。
- 方法与思路
- 作者提出 Fast Spawn&Prune（FS&P），在 FastPart 基础上把锥粒子梯度下降与生灭过程结合：在一阶最优性条件被违反的区域引入粒子以促进全局探索，同时剪除无信息粒子以保持计算效率。
- 材料陈述的贡献
- 摘要称给出该类离散时间随机算法首个全局收敛理论保证，且不要求指数级大的初始化；并推导超额风险收敛率与样本复杂度，另提出无需预先知道迭代预算的 horizon-free 变体。
- 阅读关注点
- 应核对全局收敛所需假设、生灭机制的构造与可计算性、收敛率与样本复杂度推导是否严密，以及 horizon-free 变体的代价与实验验证是否充分。
- 阅读边界
- 仅凭摘要无法判断假设是否合理、证明是否正确、常数与对数因子影响，也无法确认与既有方法的实际优劣；摘要未说明实验设置与数值结果。
原文摘要
We investigate the global optimization of the objective function arising in continuous sparse regression, specifically the Beurling LASSO (BLASSO), over the space of measures. While Conic Particle Gradient Descent (CPGD) methods are computationally efficient, they may become trapped in local minima due to the non-convexity of the parameterization. To overcome this limitation, we introduce Fast Spawn\&Prune (FS\&P), a stochastic algorithm that extends FastPart introduced in De Castro et al. (2025) and combines CPGD with a birth-death process. The birth mechanism ensures asymptotic global exploration by introducing particles in regions where first-order optimality conditions are violated, while the death process preserves computational efficiency by pruning non-informative particles. We provide the first theoretical guarantee of global convergence for this class of discrete-time stochastic algorithms, without requiring exponentially large initializations. Furthermore, we derive explicit convergence rates for the excess risk, which scale as $\mathcal{O}\big(\left(\log K / K\right)^{\frac{1}{2(2+d)}}\big)$, where $K$ denotes the number of iterations and d the dimension of the domain, thereby quantifying the trade-off between global exploration and local refinement. Moreover, the sample complexity is $\mathcal{O}\big(N^{-\frac{1}{4(2+d)}}\big)$ (up to logarithmic factors). We also propose a horizon-free variant that does not require prior knowledge of the iteration budget.