Séance de cours

Méthodes d'optimisation adaptative: théorie et applications

Description

Cette séance de cours couvre les méthodes adaptatives de premier ordre stochastiques qui convergent sans connaître la constante de douceur en utilisant des informations provenant de gradients stochastiques. Il introduit des algorithmes de descente de gradient stochastique métrique variable et des méthodes de gradient adaptatives qui s'adaptent localement en définissant la matrice de Hesse sur la base des informations de gradient stochastique passées. La séance de cours aborde également AdaGrad, AcceleGrad, RMSProp et ADAM, en soulignant leurs propriétés et leurs taux de convergence. Il compare divers algorithmes adaptatifs, y compris leurs performances dans les tâches d'optimisation et les capacités de généralisation. Les implications de la régularisation implicite dans les méthodes adaptatives et la performance de généralisation des méthodes d'apprentissage adaptatives sont également explorées.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.