Publication

Error-energy bounds for adaptive gradient algorithms

Ali H. Sayed
1996
Article

Résumé

The paper establishes robustness, optimality, and convergence properties of the widely used class of instantaneous-gradient adaptive algorithms. The analysis is carried out in a purely deterministic framework and assumes no a priori statistical information. It employs the Cauchy-Schwarz inequality for vectors in an Euclidean space and derives local and global error-energy bounds that are shown to highlight, as well as explain, relevant aspects of the robust performance of adaptive gradient filters (along the lines of H/sup /spl infin// theory).

Source officielle

https://infoscience.epfl.ch/record/233080?ln=fr

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.

Connectez-vous pour utiliser Chat avec Graph Search

Towards Stable and Efficient Adversarial Training against $l_1$ Bounded Adversarial Attacks

Sabine Süsstrunk, Mathieu Salzmann, Yulun Jiang, Chen Liu, Zhuoyi Huang

We address the problem of stably and efficiently training a deep neural network robust to adversarial perturbations bounded by an

l_1

norm. We demonstrate that achieving robustness against

l_1

-bounded perturbations is more challenging than in the

l_2

...

2023

Error-energy bounds for adaptive gradient algorithms

Graph Chatbot

Chattez avec Graph Search

Geometric Learning: Leveraging differential geometry for learning and control

Complex Representation Learning with Graph Convolutional Networks for Knowledge Graph Alignment

Towards Stable and Efficient Adversarial Training against $l_1$ Bounded Adversarial Attacks

Geometric Learning: Leveraging differential geometry for learning and control

Complex Representation Learning with Graph Convolutional Networks for Knowledge Graph Alignment

Towards Stable and Efficient Adversarial Training against $l_1$ Bounded Adversarial Attacks