arXiv 机器学习· Joanna Marks, Gabriel Rioux, Riccardo Passeggeri·· 2 天前AI 评分30
平均镜像下降与对偶梯度法：熵正则化 Gromov-Wasserstein 问题的收敛算法
Averaged Mirror Descent and Dual Gradient Methods: Convergent Algorithms for Entropic Gromov-Wasserstein Problems
AI 导读
针对熵正则化 Gromov-Wasserstein（EGW）计算中的收敛难题，研究提出了平均镜像下降（AMD）算法，并证明了其在任意成本函数下均能保证收敛。该研究还证明了采用固定步长的对偶梯度方法在任意成本下同样收敛，且两种方法均支持实际应用中的非精确迭代。实验表明，AMD 与对偶梯度法在经典镜像下降算法失效的场景下均能成功收敛。
来源：arXiv 机器学习 · arxiv.org