А. Б. Юдицкий, А. В. Назин, А. Б. Цыбаков, Н. Ваятис, “Рекуррентное агрегирование оценок методом зеркального спуска с усреднением”, Пробл. передачи информ., 41:4 (2005), 78–96; Problems Inform. Transmission, 41:4 (2005), 368

Проблемы передачи информации

RUS ENG

ЖУРНАЛЫ ПЕРСОНАЛИИ ОРГАНИЗАЦИИ КОНФЕРЕНЦИИ СЕМИНАРЫ ВИДЕОТЕКА ПАКЕТ AMSBIB

JavaScript is disabled in your browser. Please switch it on to enable full functionality of the website

	Общая информация
	Последний выпуск
	Архив
	Импакт-фактор
	Правила для авторов

	Поиск публикаций
	Поиск ссылок

	RSS
	Последний выпуск
	Текущие выпуски
	Архивные выпуски
	Что такое RSS

Пробл. передачи информ.:
Год:
Том:
Выпуск:
Страница:
	Найти

Персональный вход:
Логин:
Пароль:
	Запомнить пароль
	Войти
	Забыли пароль?
	Регистрация

Проблемы передачи информации, 2005, том 41, выпуск 4, страницы 78–96 (Mi ppi116)

Эта публикация цитируется в 64 научных статьях (всего в 64 статьях)

Методы обработки сигналов

Рекуррентное агрегирование оценок методом зеркального спуска с усреднением

А. Б. Юдицкий^a, А. В. Назин^b, А. Б. Цыбаков^cd, Н. Ваятис^d

^a Laboratoire Techniques de l'Ingénierie Médicale et de la Complexité — Informatique, Mathématiques et Applications de Grenoble
^b Институт проблем управления им. В. А. Трапезникова РАН
^c Институт проблем передачи информации РАН
^d Université Pierre & Marie Curie, Paris VI

PDF полного текста (1907 kB) Список цитирования (64)

Список литературы:

PDF

HTML

Аннотация: Рассматривается рекуррентный метод построения агрегированной оценки на конечном классе базовых решающих правил в задаче классификации. Оценка приближенно минимизирует выпуклый функционал риска при

$\ell_1$ -ограничении. Она задается стохастическим вариантом метода зеркального спуска, осуществляющего спуск градиентного типа в двойственном пространстве с дополнительным усреднением. Основной результат настоящей статьи – верхняя граница для средней точности предложенного алгоритма, имеющая порядок

$C\sqrt{(\ln M)/t}$ , с явным выражением малого постоянного множителя

$C$ , где

$M$ – размерность задачи,

$t$ – число наблюдений. Аналогичная граница получена и для более общей постановки, охватывающей, в частности, модель регрессии при квадратичных потерях.

Поступила в редакцию: 16.03.2005
После переработки: 26.07.2005

Англоязычная версия:
Problems of Information Transmission, 2005, Volume 41, Issue 4, Pages 368–384
DOI: https://doi.org/10.1007/s11122-006-0005-2

Реферативные базы данных:

Тип публикации: Статья

УДК: 621.391.1:519.2

Образец цитирования: А. Б. Юдицкий, А. В. Назин, А. Б. Цыбаков, Н. Ваятис, “Рекуррентное агрегирование оценок методом зеркального спуска с усреднением”, Пробл. передачи информ., 41:4 (2005), 78–96; Problems Inform. Transmission, 41:4 (2005), 368–384

Цитирование в формате AMSBIB

\RBibitem{YudNazTsy05}

\by А.~Б.~Юдицкий, А.~В.~Назин, А.~Б.~Цыбаков, Н.~Ваятис

\paper Рекуррентное агрегирование

оценок методом зеркального спуска с~усреднением

\jour Пробл. передачи информ.

\yr 2005

\vol 41

\issue 4

\pages 78--96

\mathnet{http://mi.mathnet.ru/ppi116}

\mathscinet{http://mathscinet.ams.org/mathscinet-getitem?mr=2198228}

\zmath{https://zbmath.org/?q=an:1123.62044}

\transl

\jour Problems Inform. Transmission

\yr 2005

\vol 41

\issue 4

\pages 368--384

\crossref{https://doi.org/10.1007/s11122-006-0005-2}

Образцы ссылок на эту страницу:

https://www.mathnet.ru/rus/ppi116

https://www.mathnet.ru/rus/ppi/v41/i4/p78

Замечания

Письмо в редакцию
А. Б. Юдицкий, А. В. Назин, А. Б. Цыбаков, Н. Ваятис
Пробл. передачи информ., 2006, 42:3, 109

Эта публикация цитируется в следующих 64 статьяx:

A. V. Nazin, A. S. Poznyak, “Non-Quadratic Proxy Functions in Mirror Descent Method Applied to Designing of Robust Controllers for Nonlinear Dynamic Systems with Uncertainty”, Comput. Math. and Math. Phys., 64:4 (2024), 820
Mohammad Alkousa, Fedor Stonyakin, Asmaa Abdo, Mohammad Alcheikh, Communications in Computer and Information Science, 2239, Mathematical Optimization Theory and Operations Research: Recent Trends, 2024, 3
M. S. Alkousa, F. S. Stonyakin, A. M. Abdo, M. M. Alcheikh, “Mirror Descent Methods with a Weighting Scheme for Outputs for Optimization Problems with Functional Constraints”, Rus. J. Nonlin. Dyn., 20:5 (2024), 727–745
Anatoli Juditsky, Joon Kwon, Éric Moulines, “Unifying mirror descent and dual averaging”, Math. Program., 199:1-2 (2023), 793
Alexander Nazin, Hussain Alazki, Alexander Poznyak, “Robust Tracking as Constrained Optimization by Uncertain Dynamic Plant: Mirror Descent Method and ASG—Version of Integral Sliding Mode Control”, Mathematics, 11:19 (2023), 4112
Ayhan Ceyhan, Mubeen Ul Hassan, Goat Science - From Keeping to Precision Production, 2023
Dvurechensky P., Shtern Sh., Staudigl M., “First-Order Methods For Convex Optimization”, EURO J. Comput. Optim., 9 (2021), 100015
Kwon J., Lecue G., Lerasle M., “A Mom-Based Ensemble Method For Robustness, Subsampling and Hyperparameter Tuning”, Electron. J. Stat., 15:1 (2021), 1202–1227
Yuan G., Zhou Y., Wang L., Yang Q., “Stochastic Bigger Subspace Algorithms For Nonconvex Stochastic Optimization”, IEEE Access, 9 (2021), 119818–119829
Puchkin N., Spokoiny V., “An Adaptive Multiclass Nearest Neighbor Classifier”, ESAIM-Prob. Stat., 24 (2020), 69–99
Momeni M., Peyghami M.R., Tarzanagh D.A., “a New Stochastic Limited Memory Bfgs Algorithm”, J. Math. Ext., 14:3 (2020), 65–83
Jofre A., Thompson Ph., “on Variance Reduction For Stochastic Smooth Convex Optimization With Multiplicative Noise”, Math. Program., 174:1-2, SI (2019), 253–292
Terry A. Gipson, “Recent advances in breeding and genetics for dairy goats”, Asian-Australas J Anim Sci, 32:8 (2019), 1275
А. В. Назин, “Алгоритмы инерционного зеркального спуска в выпуклых задачах стохастической оптимизации”, Автомат. и телемех., 2018, № 1, 100–112 ; A. V. Nazin, “Algorithms of inertial mirror descent in convex problems of stochastic optimization”, Autom. Remote Control, 79:1 (2018), 78–88
Dalalyan A.S., Grappin E., Paris Q., “On the Exponentially Weighted Aggregate With the Laplace Prior”, Ann. Stat., 46:5 (2018), 2452–2478
Wang X., Ma Sh., Goldfarb D., Liu W., “Stochastic Quasi-Newton Method For Nonconvex Stochastic Optimization”, SIAM J. Optim., 27:2 (2017), 927–956
Alexander Nazin, Lecture Notes in Computer Science, 10684, Analytical and Computational Methods in Probability Theory, 2017, 376
А. В. Назин, А. А. Тремба, “Игровой алгоритм зеркального спуска в задаче робастного PageRank”, Автомат. и телемех., 2016, № 8, 105–124 ; A. V. Nazin, A. A. Tremba, “Saddle point mirror descent algorithm for the robust PageRank problem”, Autom. Remote Control, 77:8 (2016), 1403–1418
А. В. Гасников, А. А. Лагуновская, И. Н. Усманова, Ф. A. Федоренко, “Безградиентные прокc-методы с неточным оракулом для негладких задач выпуклой стохастической оптимизации на симплексе”, Автомат. и телемех., 2016, № 10, 57–77 ; A. V. Gasnikov, A. A. Lagunovskaya, I. N. Usmanova, F. A. Fedorenko, “Gradient-free proximal methods with inexact oracle for convex stochastic nonsmooth optimization problems on the simplex”, Autom. Remote Control, 77:11 (2016), 2018–2034
А. В. Гасников, Д. Ю. Дмитриев, “Об эффективных рандомизированных алгоритмах поиска вектора PageRank”, Ж. вычисл. матем. и матем. физ., 55:3 (2015), 355–371 ; A. V. Gasnikov, D. Yu. Dmitriev, “On efficient randomized algorithms for finding the PageRank vector”, Comput. Math. Math. Phys., 55:3 (2015), 349–365

Citing articles in Google Scholar: Russian citations, English citations
Related articles in Google Scholar: Russian articles, English articles

Статистика просмотров:
Страница аннотации:	867
PDF полного текста:	373
Список литературы:	73
Первая страница:	1

Что такое QR-код?

Обратная связь:

Пользовательское соглашение

Регистрация посетителей портала

Логотипы