机构名称：
¥ 4.0
算法可重复性衡量机器学习算法的输出偏差，而训练过程中发生了较小的变化。先前的工作表明，一阶方法需要权衡融合率（梯度复杂性）才能获得更好的可重复性。在这项工作中，我们挑战了这一看法，并证明在各种错误的甲骨文设置下，可以实现最佳的可重复性和近乎最佳的收敛保证。特别是，鉴于不精确的初始化Oracle，我们基于正则化的算法达到了两全其美的最佳 - 最佳的可重复性和近乎最佳的梯度复杂性 - 用于最小化和最小值优化。使用不精确的梯度甲骨文，近乎最佳的保证也可用于最小值优化。此外，在随机梯度甲骨文中，我们表明随机梯度下降在可重复性和梯度复杂性方面都是最佳的。我们认为，在凸优化的背景下，我们的结果有助于增强对可重复性连接权衡的理解。
算法可重复性的最佳保证和...
主要关键词
相关文件推荐
