Analysis of generalized Bregman surrogate algorithms for nonsmooth nonconvex statistical learning
非光滑非凸统计学习中的广义 Bregman 替代算法分析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：摘要研究通用非凸优化与稀疏统计学习，未明确因子模型、收益预测或其他经济计量细分，不能仅凭高维估计归类。
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
非光滑非凸统计学习中的广义 Bregman 替代算法分析
- 研究问题
- 在可能高维的非光滑、非凸统计学习问题中，如何统一分析替代算法的收敛，并为稀疏估计和自适应动量提供保证？
- 方法与思路
- 作者以广义 Bregman 函数重新表述多类替代算法，构造误差度量，研究收敛速率、稀疏固定点的统计性质与动量加速。
- 材料陈述的贡献
- 摘要称建立该框架的全局收敛速率；在一定正则条件下，稀疏固定点具有统计保证，迭代可几何速度达到目标统计精度。
- 阅读关注点
- 应核对全局收敛所度量的对象、固定点与局部极小值的区别，以及稀疏正则条件、步长和松弛参数如何支持统计与加速保证。
- 阅读边界
- 仅据版本未注明的索引摘要，误差度量及正则条件未列出；全局收敛速率不等于保证找到全局最优解，也不能推断统一优越性。
原文摘要
Modern statistical applications often involve minimizing an objective function that may be nonsmooth and/or nonconvex. This paper focuses on a broad Bregman-surrogate algorithm framework including the local linear approximation, mirror descent, iterative thresholding, DC programming and many others as particular instances. The recharacterization via generalized Bregman functions enables us to construct suitable error measures and establish global convergence rates for nonconvex and nonsmooth objectives in possibly high dimensions. For sparse learning problems with a composite objective, under some regularity conditions, the obtained estimators as the surrogate’s fixed points, though not necessarily local minimizers, enjoy provable statistical guarantees, and the sequence of iterates can be shown to approach the statistical truth within the desired accuracy geometrically fast. The paper also studies how to design adaptive momentum based accelerations without assuming convexity or smoothness by carefully controlling stepsize and relaxation parameters.