Séance de cours

Analyse de convergence: Algorithmes progressifs stochastiques

Description

Cette séance de cours couvre l'analyse de convergence des algorithmes de gradient stochastiques pour des risques lisses sous différents modes opérationnels, y compris les mises à jour avec des échelles d'étape constantes et disparaissantes, l'échantillonnage des données avec et sans remplacement, et des approximations de gradient mini-lots. La séance de cours se penche sur les conditions sur les fonctions de risque et de perte, le comportement de convergence dans le sens moyen-carré-erreur, et l'impact des séquences de taille d'étape sur le taux de convergence. L'instructeur discute des propriétés de convergence sous différentes séquences de taille par étapes et fournit des théorèmes et des exemples pour illustrer les taux de convergence.

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.