Sharpness, Restart and Acceleration
Autor: | Alexandre d'Aspremont, Vincent Roulet |
---|---|
Přispěvatelé: | Laboratoire de mécanique et technologie (LMT), Université Paris-Saclay-Centre National de la Recherche Scientifique (CNRS)-Ecole Normale Supérieure Paris-Saclay (ENS Paris Saclay), Université Paris sciences et lettres (PSL), Laboratoire d'informatique de l'école normale supérieure (LIENS), Département d'informatique - ENS Paris (DI-ENS), Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-École normale supérieure - Paris (ENS Paris), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-École normale supérieure - Paris (ENS Paris), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL), Centre National de la Recherche Scientifique (CNRS), Statistical Machine Learning and Parsimony (SIERRA), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Centre National de la Recherche Scientifique (CNRS)-Inria de Paris, Institut National de Recherche en Informatique et en Automatique (Inria), ANR-19-P3IA-0001,PRAIRIE,PaRis Artificial Intelligence Research InstitutE(2019), Département d'informatique de l'École normale supérieure (DI-ENS), École normale supérieure - Paris (ENS Paris), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-École normale supérieure - Paris (ENS Paris), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS)-Inria de Paris, Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS), Allocation Ministérielle X, European Project: 256919,EC:FP7:ERC,ERC-2010-StG_20091028,SIPA(2011), École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-École normale supérieure - Paris (ENS-PSL), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Centre National de la Recherche Scientifique (CNRS) |
Jazyk: | angličtina |
Rok vydání: | 2020 |
Předmět: |
021103 operations research
90C25 90C06 Acceleration MathematicsofComputing_NUMERICALANALYSIS 0211 other engineering and technologies Acceleration (differential geometry) 010103 numerical & computational mathematics 02 engineering and technology [INFO.INFO-RO]Computer Science [cs]/Operations Research [cs.RO] 01 natural sciences Computer Science::Numerical Analysis Theoretical Computer Science Restart [STAT.ML]Statistics [stat]/Machine Learning [stat.ML] Optimization and Control (math.OC) Convex optimization FOS: Mathematics Lojasiewicz inequality Applied mathematics [MATH.MATH-OC]Mathematics [math]/Optimization and Control [math.OC] 0101 mathematics Mathematics - Optimization and Control Computer Science::Operating Systems Software Mathematics |
Zdroj: | SIAM Journal on Optimization SIAM Journal on Optimization, Society for Industrial and Applied Mathematics, 2020, 30 (1), pp.262-289. ⟨10.1137/18M1224568⟩ SIAM Journal on Optimization, 2020, 30 (1), pp.262-289. ⟨10.1137/18M1224568⟩ |
ISSN: | 1052-6234 |
DOI: | 10.1137/18M1224568⟩ |
Popis: | The {\L}ojasiewicz inequality shows that sharpness bounds on the minimum of convex optimization problems hold almost generically. Sharpness directly controls the performance of restart schemes, as observed by Nemirovsky and Nesterov (1985). The constants quantifying these sharpness bounds are of course unobservable, but we show that optimal restart strategies are robust, in the sense that, in some important cases, finding the best restart scheme only requires a log scale grid search. Overall then, restart schemes generically accelerate accelerated first-order methods. Comment: Short version appeared in Advances in Neural Information Processing Systems 30 (NIPS 2017) |
Databáze: | OpenAIRE |
Externí odkaz: |