Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Análisis de aproximación del algoritmo de descenso de gradiente para el ranking bipartito
Introducimos un algoritmo de descenso de gradiente para el ranking bipartito con pérdidas convexas generales. La implementación de este algoritmo es simple, y se investiga su rendimiento de generalización. Se presentan tasas de aprendizaje explícitas en función de las elecciones adecuadas del parámetro de regularización y el tamaño del paso. El resultado llena la brecha teórica en las tasas de aprendizaje para el problema de ranking con pérdidas convexas generales.
Autores: Chen, Hong; He, Fangchao; Pan, Zhibin
Idioma: Inglés
Editor: Hindawi Publishing Corporation
Año: 2012
Disponible con Suscripción Virtualpro
Artículos
Categoría
Matemáticas
Licencia
Atribución – Compartir igual
Consultas: 7
Citaciones: Sin citaciones
Hindawi
Journal of Applied Mathematics
Volume , Article ID 189753, 13 pages
https://doi.org/10.1155/2012/189753
Chen Hong0, He Fangchao0, Pan Zhibin0
College of Science China, School of Science China, Faculty of Mathematics and Computer Science ChinaAcademic Editor: Xu Yuesheng
Contact: @hindawi.com
Introducimos un algoritmo de descenso de gradiente para el ranking bipartito con pérdidas convexas generales. La implementación de este algoritmo es simple, y se investiga su rendimiento de generalización. Se presentan tasas de aprendizaje explícitas en función de las elecciones adecuadas del parámetro de regularización y el tamaño del paso. El resultado llena la brecha teórica en las tasas de aprendizaje para el problema de ranking con pérdidas convexas generales.
Descripción
Introducimos un algoritmo de descenso de gradiente para el ranking bipartito con pérdidas convexas generales. La implementación de este algoritmo es simple, y se investiga su rendimiento de generalización. Se presentan tasas de aprendizaje explícitas en función de las elecciones adecuadas del parámetro de regularización y el tamaño del paso. El resultado llena la brecha teórica en las tasas de aprendizaje para el problema de ranking con pérdidas convexas generales.