arXiv 论文提出 Taylor 修正惰性牛顿法，改进有限和优化复杂度
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题设定与已有结果
论文关注的是光滑凸有限和优化问题，目标函数由 n 个分量组成，衡量标准是随机二阶 oracle 复杂度。材料提到，Tsedenov 与 Kovalev 在 2026 年的工作中，在平均光滑性与凸性假设下建立了几乎匹配的上下界，得到 Θ̃(n + n^{6/7} ε^{-2/7}) 的极小极大最优复杂度。本文的出发点是把假设收紧为每个分量各自的个体光滑性与凸性，考察这种更强的结构信息能否带来可证明的进一步加速。
上下界与算法构造
在个体光滑性假设下，作者先给出下界 Ω(n + n^{5/7} ε^{-2/7})，说明任何算法都无法做得更好。随后通过建立一个新的二阶自约束不等式，设计出 Taylor 修正惰性牛顿法，并应用最优的 Monteiro-Svaiter 加速，使复杂度达到 Õ(n + n^{5/7} ε^{-2/7})。该上界与下界只相差对数因子，因此在这一假设下接近最优。与平均光滑性下的结果相比，ε 的指数从 -2/7 保持不变，而 n 的指数由 6/7 降到 5/7。
适用范围与阅读提示
这是一篇理论分析工作，结论建立在个体光滑性与凸性的假设之上，材料未给出实验验证或实际实现细节。论文归类于 math.OC，同时标注 cs.AI 与 stat.ML。对读者而言，其价值在于明确了更强假设下二阶方法的复杂度边界，以及 Taylor 修正惰性牛顿法这一算法构造；是否适用于具体训练或优化场景，材料中没有涉及。
为什么值得看
关心二阶优化理论边界的读者可看：个体光滑性假设带来新的复杂度上下界与算法构造。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。