Extensions of Kesten's Adaptive Stochastic Approximation Method
Kesten 自适应随机逼近方法的扩展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：摘要研究一般随机优化与随机逼近，未提供对应所列经济计量细分的具体对象。
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
Kesten 自适应随机逼近方法的扩展
- 研究问题
- 如何把标量随机逼近中的 Kesten 自适应系数调整方法扩展到多维函数最小化，并形成与确定性优化相近的算法？
- 方法与思路
- 作者研究一族多维优化过程，每种方法由连续实施的截断一维 Kesten 型程序组成，以此扩展原有标量方法。
- 材料陈述的贡献
- 摘要称这些方法似乎较通常的 Kiefer–Wolfowitz 程序具有若干优势，并更自然地对应常见确定性优化方案。
- 阅读关注点
- 应核对一维程序的截断与组合规则、系数更新、目标函数及噪声条件，并确认扩展方法是否具有明确的收敛定理。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；几乎必然收敛明确归于既有 Kesten 方法，新方法的保证与优势依据未说明，不能推断刊本变化。
原文摘要
Kesten proposed a method for adjusting the coefficients of a scalar stochastic approximation process, and proved w.p. 1 convergence. A family of multidimensional processes for function minimization are treated here. Each method consists of a sequence of truncated one-dimensional procedures of the Kesten type. The methods seem to offer a number of advantages over the usual Kiefer-Wolfowitz procedures, and are more natural analogs of the schemes in common use in deterministic optimization theory.