机构名称：
¥ 6.0
摘要我们基于随机子空间内的迭代最小化，为基于大规模模型的无衍生衍生型选择引入了一个通用框架。我们为我们的方法提供了概率的最差复杂性分析，特别是我们在实现给定最佳性之前证明了迭代次数的高概率界限。该框架专门针对非线性最小二乘问题，该框架具有基于高斯– Newton方法的基于模型的框架。此方法通过构造本地线性插值模型来近似Jacobian，从而实现可扩展性，并在每个迭代中计算具有用户确定的维度的每个迭代的新步骤。然后，我们描述了该框架的实际实现，我们称之为dfbgn。我们概述了选择插值点和搜索子空间的有效技术，得出的实现了，该实现的每卷线性代数成本（在问题维度为线性），同时还可以通过评估来衡量，同时还可以实现快速客观的降低。广泛的数值结果表明，DFBGN提高了可伸缩性，在大规模的非线性最小二乘问题上产生了强劲的性能。
可扩展的无衍生物非线性最小二乘优化的子空间方法
主要关键词
相关文件推荐
