WikiDer > Проксимальный градиентный метод

Эта статья включает в себя список общих Рекомендации, но он остается в основном непроверенным, потому что ему не хватает соответствующих встроенные цитаты. Пожалуйста, помогите улучшать эта статья введение более точные цитаты. (Ноябрь 2013) (Узнайте, как и когда удалить этот шаблон сообщения)

Проксимальные градиентные методы являются обобщенной формой проекции, используемой для решения недифференцируемых выпуклая оптимизация проблемы.

Многие интересные задачи можно сформулировать как задачи выпуклой оптимизации вида:

${ displaystyle operatorname {min} limits _ {x in mathbb {R} ^ {N}} sum _ {i = 1} ^ {n} f_ {i} (x)}$

куда ${ displaystyle f_ {i}, i = 1, dots, n}$ находятся выпуклые функции определяется из ${ displaystyle f: mathbb {R} ^ {N} rightarrow mathbb {R}}$где некоторые функции недифференцируемы, это исключает наши обычные методы плавной оптимизации, такие какМетод наискорейшего спуска, метод сопряженных градиентов и т.д. Вместо этого можно использовать методы проксимального градиента. Эти методы основаны на разделении, так как функции ${ displaystyle f_ {1}, ..., f_ {n}}$ используются индивидуально, чтобы легко получить осуществимый алгоритма и называются проксимальный потому что каждый не гладкая функция среди ${ displaystyle f_ {1}, ..., f_ {n}}$ задействован через свой оператор близости. Алгоритм пороговой обработки итеративной усадки,^[1] по прогнозам Landweber, прогнозируемый градиент, чередующиеся проекции, метод переменного направления множителей, альтернативное разделение Брегман являются частными экземплярами проксимальных алгоритмов.^[2] За теорию методов проксимального градиента с точки зрения и с приложениями к теория статистического обучения, видеть методы проксимального градиента для обучения.

Обозначения и терминология

Позволять ${ Displaystyle mathbb {R} ^ {N}}$, то ${ displaystyle N}$-размерный Евклидово пространство, - область определения функции${ displaystyle f: mathbb {R} ^ {N} rightarrow (- infty, + infty]}$. Предполагать ${ displaystyle C}$ - непустое выпуклое подмножество ${ Displaystyle mathbb {R} ^ {N}}$. Тогда индикаторная функция ${ displaystyle C}$ определяется как

${ displaystyle iota _ {C}: x mapsto { begin {case} 0 & { text {if}} x in C + infty & { text {if}} x notin C end {случаи}}}$

${ displaystyle p}$-норма определяется как ( ${ Displaystyle | cdot | _ {p}}$ )

${ Displaystyle | х | _ {p} = (| x_ {1} | ^ {p} + | x_ {2} | ^ {p} + cdots + | x_ {N} | ^ {p}) ^ {1 / p}}$

Расстояние от ${ Displaystyle х in mathbb {R} ^ {N}}$ к ${ displaystyle C}$ определяется как

${ displaystyle D_ {C} (x) = min _ {y in C} | x-y | _ {2}}$

Если ${ displaystyle C}$ замкнуто и выпукло, проекция ${ Displaystyle х in mathbb {R} ^ {N}}$ на ${ displaystyle C}$ это единственная точка${ displaystyle P_ {C} x in C}$ такой, что ${ Displaystyle D_ {C} (x) = | x-P_ {C} x | _ {2}}$.

В субдифференциальный из ${ displaystyle f}$ в ${ displaystyle x}$ дан кем-то

${ Displaystyle partial е (х) = {и в mathbb {R} ^ {N} mid forall y in mathbb {R} ^ {N}, (yx) ^ { mathrm {T }} u + f (x) leq f (y). }}$

Проекция на выпуклые множества (POCS)

Одним из широко используемых алгоритмов выпуклой оптимизации является проекции на выпуклые множества (POCS). Этот алгоритм используется для восстановления / синтеза сигнала, удовлетворяющего одновременно нескольким выпуклым ограничениям. Позволять ${ displaystyle f_ {i}}$ - индикаторная функция непустого замкнутого выпуклого множества ${ displaystyle C_ {i}}$ моделирование ограничения. Это сводится к проблеме выпуклой выполнимости, которая требует от нас найти решение, лежащее в пересечении всех выпуклых множеств ${ displaystyle C_ {i}}$. В методе POCS каждый набор ${ displaystyle C_ {i}}$ включен в оператор проекции ${ Displaystyle P_ {C_ {i}}}$. Так что в каждом итерация ${ displaystyle x}$ обновляется как

${ displaystyle x_ {k + 1} = P_ {C_ {1}} P_ {C_ {2}} cdots P_ {C_ {n}} x_ {k}}$

Однако помимо таких проблем операторы проекции не подходят, и для их решения требуются более общие операторы. Среди различных обобщений понятия оператора выпуклого проектирования, которые существуют, операторы близости лучше всего подходят для других целей.

Определение

В оператор близости выпуклой функции ${ displaystyle f}$ в ${ displaystyle x}$ определяется как единственное решение

${ displaystyle operatorname {argmin} limits _ {y} { bigg (} f (y) + { frac {1} {2}} left | xy right | _ {2} ^ {2 } { bigg)}}$

и обозначается ${ displaystyle operatorname {prox} _ {f} (x)}$.

${ displaystyle operatorname {prox} _ {f} (x): mathbb {R} ^ {N} rightarrow mathbb {R} ^ {N}}$

Обратите внимание, что в конкретном случае, когда ${ displaystyle f}$ индикаторная функция ${ displaystyle iota _ {C}}$ некоторого выпуклого множества ${ displaystyle C}$

${ displaystyle { begin {align} operatorname {prox} _ { iota _ {C}} (x) & = operatorname {argmin} limits _ {y} { begin {cases} { frac {1 } {2}} left | xy right | _ {2} ^ {2} & { text {if}} y in C + infty & { text {if}} y notin C end {case}} & = operatorname {argmin} limits _ {y in C} { frac {1} {2}} left | xy right | _ {2} ^ { 2} & = P_ {C} (x) конец {выровнено}}}$

показывая, что оператор близости действительно является обобщением оператора проекции.

Оператор близости ${ displaystyle f}$ характеризуется включением

${ displaystyle p = operatorname {prox} _ {f} (x) Leftrightarrow xp in partial f (p) qquad ( forall (x, p) in mathbb {R} ^ {N} раз mathbb {R} ^ {N})}$

Если ${ displaystyle f}$ дифференцируемо, то приведенное выше уравнение сводится к

${ displaystyle p = operatorname {prox} _ {f} (x) Leftrightarrow xp = nabla f (p) quad ( forall (x, p) in mathbb {R} ^ {N} times mathbb {R} ^ {N})}$

Примеры

Особые примеры методов проксимального градиента:

• Прогнозируемый Landweber
• Альтернативная проекция
• Метод переменного направления умножителей

Смотрите также

• Альтернативная проекция
• Выпуклая оптимизация
• Алгоритм Франка – Вульфа
• Проксимальный оператор
• Методы проксимального градиента для обучения

Примечания

Рекомендации

• Рокафеллар, Р. Т. (1970). Выпуклый анализ. Принстон: Издательство Принстонского университета.
• Комбеты, Патрик Л .; Песке, Жан-Кристоф (2011). Алгоритмы Спрингера с фиксированной точкой для обратных задач в науке и технике. 49. С. 185–212.

внешняя ссылка

• Книга Стивена Бойда и Ливена Ванденберга, Выпуклая оптимизация
• EE364a: выпуклая оптимизация I и EE364b: выпуклая оптимизация II, Домашние страницы курсов Стэнфорда
• EE227A: Заметки Ливена Ванденберга Лекция 18
• ProximalOperators.jl: а Юля пакет, реализующий проксимальные операторы.
• ProximalAlgorithms.jl: а Юля пакет, реализующий алгоритмы на основе проксимального оператора, в том числе метод проксимального градиента.
• Репозиторий Proximity Operator: набор операторов близости, реализованных в Matlab и Python.