24 - Accelerated Forward-Backward Optimization using Deep Learning/ClipID:35911 vorhergehender Clip

Die automatischen Untertitel, die mit Whisper Open AI in diesem Video-Player (und im Multistream-Video-Player) generiert werden, dienen der Bequemlichkeit und Barrierefreiheit. Es ist jedoch zu beachten, dass die Genauigkeit und Interpretation variieren können. Für mehr Informationen lesen Sie bitte die FAQs (Absatz 14)
Aufnahme Datum 2021-07-26

Zugang

Frei

Sprache

Englisch

Einrichtung

Lehrstuhl für Angewandte Mathematik (Modellierung und Numerik)

Produzent

Lehrstuhl für Angewandte Mathematik (Modellierung und Numerik)

Jevgenija Rudzusika (KTH Stockholm) on Accelerated Forward-Backward Optimization using Deep Learning:

We propose several deep-learning accelerated optimization solvers with convergence guarantees. We use ideas from the analysis of accelerated forward-backward schemes like FISTA, but instead of the classical approach of proving convergence for a choice of parameters, such as a step-size, we show convergence whenever the update is chosen in a specific set. Rather than picking a point in this set using some predefined method, we train a deep neural network to pick the best update. Finally, we show that the method is applicable to several cases of smooth and non-smooth optimization and show superior results to established accelerated solvers.

Mehr Videos aus der Kategorie "Naturwissenschaftliche Fakultät"

2024-12-18
IdM-Anmeldung
geschützte Daten  
2024-12-18
Studon
geschützte Daten  
2024-12-17
Studon
geschützte Daten  
2024-12-17
Studon
geschützte Daten  
2024-12-17
Studon
geschützte Daten  
2024-12-17
IdM-Anmeldung
geschützte Daten