提出分布鲁棒多目标优化及双裁剪MGDA算法
热点事件持续更新
提出分布鲁棒多目标优化及双裁剪MGDA算法
1 篇报道1 个报道来源9 小时前更新
先了解这件事
报道摘要
研究者提出分布鲁棒多目标优化（DR-MOO），在各自最坏分布下最小化多个目标，并给出 Pareto 型解概念与带理论保证的 MGDA 算法。基于拉格朗日对偶重构的双循环 MGDA 达到 ε-Pareto 稳定点的样本复杂度为 O(ε^-8)，而结合大批量采样与梯度裁剪的单循环 double-clip MGDA 将复杂度降至 O(ε^-4)。
摘自 arXiv cs.LG
最新进展10月7日 12:00
从双循环到梯度裁剪：分布鲁棒多目标优化取得更快收敛报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv cs.LG从双循环到梯度裁剪：分布鲁棒多目标优化取得更快收敛
研究者提出分布鲁棒多目标优化（DR-MOO），在各自最坏分布下最小化多个目标，并给出 Pareto 型解概念与带理论保证的 MGDA 算法。基于拉格朗日对偶重构的双循环 MGDA 达到 ε-Pareto 稳定点的样本复杂度为 O(ε^-8)，而结合大批量采样与梯度裁剪的单循环 double-clip MGDA 将复杂度降至 O(ε^-4)。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。