Strong Convergence of a Stochastic Approximation Algorithm
随机逼近算法的强收敛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。
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：材料研究通用随机逼近算法的收敛理论，未明确涉及所列经济计量模型或应用方向。
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
随机逼近算法的强收敛
- 研究问题
- 递归随机逼近算法在何种条件下以概率一收敛，既有 Robbins–Monro 与 Kiefer–Wolfowitz 结果能否进一步推广？
- 方法与思路
- 作者分析递归随机逼近算法的几乎必然收敛，并扩展两类经典程序的既有结果；摘要未说明具体证明工具或算法设定。
- 材料陈述的贡献
- 摘要称，提供了 Robbins–Monro 和 Kiefer–Wolfowitz 程序的若干推广，且所用收敛分析能够直接延伸至更复杂算法。
- 阅读关注点
- 应核对步长、随机扰动、目标函数与迭代稳定性的具体要求，并查看所谓更复杂算法的范围及推广实际需要的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未给出收敛条件、速率或有限迭代误差，不能据此保证任意递归算法收敛。
原文摘要
Convergence with probability one of a recursive stochastic approximation algorithm is considered. Some extensions of previous results for the Robbins-Monro and the Kiefer-Wolfowitz procedures are given. An inportant feature of the approach taken here is that the convergence analysis can be directly extended to more complex algorithms.