声明
摘要
第一章绪论
1.1基本问题描述
1.2本文贡献
第2章背景介绍
2.1 基本性质和标记定义
2.1.1计算复杂度和收敛速度
2.1.2标记定义
2.2相关工作
2.2.1 误差界和Kurdyka(L)ojasiewicz性质
2.2.2 随机梯度下降法和自适应算法简介
2.2.3非凸优化算法简介
2.2.4方差减小的随机一阶算法
第3章基于迭代阈值收缩的非凸矩阵秩最小化算法
3.1 矩阵秩最小化问题和非凸规范化项
3.2重加权的非凸奇异值规范化项收敛结果分析
3.3多个矩阵的秩最小化问题
3.4实际实现中的问题和解决方案
3.5矩阵补全问题中的算法验证
3.5.1人造数据集
3.5.2图像数据集
3.5.3多个域的推荐问题
第4章 SADAGRAD:强自适应的随机梯度算法
4.1 二阶增长条件下的强自适应的随机次梯度算法
4.2 SADAGRAD算法基于近邻算法的变种
4.3 实际应用中的SADAGRAD算法变种
4.4 SADAGRAD算法在满足局部误差界假设下的扩展
4.5实验验证
第5章非凸优化中统一的阶段化学习方法框架
5.1阶段化优化算法框架
5.2具体的阶段化优化算法
5.2.1阶段化的随机梯度下降法
5.2.2阶段化的动量随机梯度法
5.2.3阶段化的自适应算法
5.3实验验证
第6章Stagewise-Katyusha:阶段化的加速的方差减小随机梯度下降法
6.1 Stagewise-Katyusha算法和假设
6.2收敛性分析
第7章总结
参考文献
附录
致谢
在读期间发表的学术论文与取得的研究成果