Buchumschlag

Stochastic Langevin Differential Inclusions with Applications to Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Difonzo, Fabio V., Kungurtsev, Vyacheslav, Marecek, Jakub
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Optimization and Control Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Nonlinear Assimilation via Score-based Sequential Langevin Sampling
von: Ding, Zhao, et al.
Veröffentlicht: (2024)

Accuracy of Discretely Sampled Stochastic Policies in Continuous-time Reinforcement Learning
von: Jia, Yanwei, et al.
Veröffentlicht: (2025)

Control, Optimal Transport and Neural Differential Equations in Supervised Learning
von: Phung, Minh-Nhat, et al.
Veröffentlicht: (2025)

Machine Learning and Control: Foundations, Advances, and Perspectives
von: Zuazua, Enrique
Veröffentlicht: (2025)

Using Linearized Optimal Transport to Predict the Evolution of Stochastic Particle Systems
von: Karris, Nicholas, et al.
Veröffentlicht: (2024)

Langevin dynamics based algorithm e-TH$\varepsilon$O POULA for stochastic optimization problems with discontinuous stochastic gradient
von: Lim, Dong-Young, et al.
Veröffentlicht: (2022)

Adaptive Lipschitz-Free Conditional Gradient Methods for Stochastic Composite Nonconvex Optimization
von: Yuan, Ganzhao
Veröffentlicht: (2026)

UAdam: Unified Adam-Type Algorithmic Framework for Non-Convex Stochastic Optimization
von: Jiang, Yiming, et al.
Veröffentlicht: (2023)

A Trust-Region Interior-Point Stochastic Sequential Quadratic Programming Method
von: Fang, Yuchen, et al.
Veröffentlicht: (2026)

Modeling AdaGrad, RMSProp, and Adam with Integro-Differential Equations
von: Heredia, Carlos
Veröffentlicht: (2024)

OptEMA: Adaptive Exponential Moving Average for Stochastic Optimization with Zero-Noise Optimality
von: Yuan, Ganzhao
Veröffentlicht: (2026)

On the Convergence of the Gradient Descent Method with Stochastic Fixed-point Rounding Errors under the Polyak-Lojasiewicz Inequality
von: Xia, Lu, et al.
Veröffentlicht: (2023)

Why is Normalization Preferred? A Worst-Case Complexity Theory for Stochastically Preconditioned SGD under Heavy-Tailed Noise
von: Fang, Yuchen, et al.
Veröffentlicht: (2026)

Gradient is All You Need? How Consensus-Based Optimization can be Interpreted as a Stochastic Relaxation of Gradient Descent
von: Riedl, Konstantin, et al.
Veröffentlicht: (2023)

Stochastic Optimal Control Matching
von: Domingo-Enrich, Carles, et al.
Veröffentlicht: (2023)

A Natural Primal-Dual Hybrid Gradient Method for Adversarial Neural Network Training on Solving Partial Differential Equations
von: Liu, Shu, et al.
Veröffentlicht: (2024)

Random Subspace Cubic-Regularization Methods, with Applications to Low-Rank Functions
von: Cartis, Coralia, et al.
Veröffentlicht: (2025)

Fundamental Bias in Inverting Random Sampling Matrices with Application to Sub-sampled Newton
von: Niu, Chengmei, et al.
Veröffentlicht: (2025)

Shape Derivative-Informed Neural Operators with Application to Risk-Averse Shape Optimization
von: Gong, Xindi, et al.
Veröffentlicht: (2026)

Time-Varying Semidefinite Programming: Path Following a Burer-Monteiro Factorization
von: Bellon, Antonio, et al.
Veröffentlicht: (2022)

Trust-Region Sequential Quadratic Programming for Stochastic Optimization with Random Models
von: Fang, Yuchen, et al.
Veröffentlicht: (2024)

Machine Learning Algorithms for Improving Exact Classical Solvers in Mixed Integer Continuous Optimization
von: Kimiaei, Morteza, et al.
Veröffentlicht: (2025)

Unsupervised Ground Metric Learning
von: Auffenberg, Janis, et al.
Veröffentlicht: (2025)

Learning incomplete factorization preconditioners for GMRES
von: Häusner, Paul, et al.
Veröffentlicht: (2024)

Learning Regularization Functionals for Inverse Problems: A Comparative Study
von: Hertrich, Johannes, et al.
Veröffentlicht: (2025)

Learning truly monotone operators with applications to nonlinear inverse problems
von: Belkouchi, Younes, et al.
Veröffentlicht: (2024)

Tame Riemannian Stochastic Approximation
von: Aspman, Johannes, et al.
Veröffentlicht: (2023)

End-to-End Mesh Optimization of a Hybrid Deep Learning Black-Box PDE Solver
von: Ma, Shaocong, et al.
Veröffentlicht: (2024)

On the Stability Connection Between Discrete-Time Algorithms and Their Resolution ODEs: Applications to Min-Max Optimisation
von: Farzin, Amir Ali, et al.
Veröffentlicht: (2026)

Learning rate adaptive stochastic gradient descent optimization methods: numerical simulations for deep learning methods for partial differential equations and convergence analyses
von: Dereich, Steffen, et al.
Veröffentlicht: (2024)

Optimizing Sparse Generalized Singular Vectors for Feature Selection in Proximal Support Vector Machines with Application to Breast and Ovarian Cancer Detection
von: Ugwu, Ugochukwu O., et al.
Veröffentlicht: (2024)

Trilevel and Multilevel Optimization using Monotone Operator Theory
von: Shafiei, Allahkaram, et al.
Veröffentlicht: (2021)

Stochastic Regret Guarantees for Online Zeroth- and First-Order Bilevel Optimization
von: Nazari, Parvin, et al.
Veröffentlicht: (2025)

ZORMS-LfD: Learning from Demonstrations with Zeroth-Order Random Matrix Search
von: Dry, Olivia, et al.
Veröffentlicht: (2025)

Computational Control of Nonlinear Partial Differential Equations Using Machine Learning
von: Kurbanov, Maximilian, et al.
Veröffentlicht: (2026)

Dynamic Proximal Gradient Algorithms for Schatten-$p$ Quasi-Norm Regularized Problems
von: Shen, Weiping, et al.
Veröffentlicht: (2026)

Scalable Acceleration for Classification-Based Derivative-Free Optimization
von: Han, Tianyi, et al.
Veröffentlicht: (2023)

Natural Riemannian gradient for learning functional tensor networks
von: Klug, Nikolas, et al.
Veröffentlicht: (2026)

On the numerical reliability of nonsmooth autodiff: a MaxPool case study
von: Boustany, Ryan
Veröffentlicht: (2024)

Error Feedback Can Accurately Compress Preconditioners
von: Modoranu, Ionut-Vlad, et al.
Veröffentlicht: (2023)