Buchumschlag

A first-order augmented Lagrangian method for constrained minimax optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lu, Zhaosong, Mei, Sanyou
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Optimization and Control Machine Learning Numerical Analysis 90C26, 90C30, 90C47, 90C99, 65K05
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A first-order method for nonconvex-strongly-concave constrained minimax optimization
von: Lu, Zhaosong, et al.
Veröffentlicht: (2025)

Solving bilevel optimization via sequential minimax optimization
von: Lu, Zhaosong, et al.
Veröffentlicht: (2025)

First-order penalty methods for bilevel optimization
von: Lu, Zhaosong, et al.
Veröffentlicht: (2023)

A first-order method for nonconvex-nonconcave minimax problems under a local Kurdyka-Lojasiewicz condition
von: Lu, Zhaosong, et al.
Veröffentlicht: (2025)

Variance-reduced first-order methods for deterministically constrained stochastic nonconvex optimization with strong convergence guarantees
von: Lu, Zhaosong, et al.
Veröffentlicht: (2024)

Oracle complexities of augmented Lagrangian methods for nonsmooth manifold optimization
von: Deng, Kangkang, et al.
Veröffentlicht: (2024)

Optimality Conditions and Numerical Algorithms for a Class of Minimax Bilevel Optimization Problems
von: Hu, Yaling, et al.
Veröffentlicht: (2026)

Tight Error Bounds for the Sign-Constrained Stiefel Manifold
von: Chen, Xiaojun, et al.
Veröffentlicht: (2022)

Stochastic momentum ADMM for nonconvex and nonsmooth optimization with application to PnP algorithm
von: Deng, Kangkang, et al.
Veröffentlicht: (2025)

A low-rank augmented Lagrangian method for large-scale semidefinite programming based on a hybrid convex-nonconvex approach
von: Monteiro, Renato D. C., et al.
Veröffentlicht: (2024)

Complexity-optimal and parameter-free first-order methods for finding stationary points of composite optimization problems
von: Kong, Weiwei
Veröffentlicht: (2022)

A novel numerical method tailored for unconstrained optimization problems
von: Li, Lin, et al.
Veröffentlicht: (2025)

AS-BOX: Additional Sampling Method for Weighted Sum Problems with Box Constraints
von: Krejić, Nataša, et al.
Veröffentlicht: (2025)

A modified exact penalty approach for general constrained $\ell_0$-sparse optimization problems
von: Kanzow, Christian, et al.
Veröffentlicht: (2025)

On the convergence of adaptive first order methods: proximal gradient and alternating minimization algorithms
von: Latafat, Puya, et al.
Veröffentlicht: (2023)

Proximal methods for structured nonsmooth optimization over Riemannian submanifolds
von: Li, Qia, et al.
Veröffentlicht: (2024)

Universal heavy-ball method for nonconvex optimization under Hölder continuous Hessians
von: Marumo, Naoki, et al.
Veröffentlicht: (2023)

Time-integrated Optimal Transport: A Robust Minimax Framework
von: Nguyen, Thai P. D., et al.
Veröffentlicht: (2025)

Convergence of iterates and improved rates for accelerated augmented Lagrangian methods for linearly constrained convex optimization
von: He, Xin, et al.
Veröffentlicht: (2026)

Extrapolated Plug-and-Play Three-Operator Splitting Methods for Nonconvex Optimization with Applications to Image Restoration
von: Wu, Zhongming, et al.
Veröffentlicht: (2024)

A globalization of L-BFGS and the Barzilai-Borwein method for nonconvex unconstrained optimization
von: Mannel, Florian
Veröffentlicht: (2024)

Steering exact penalty DCA for nonsmooth DC optimization problems with equality and inequality constraints
von: Dolgopolik, M. V.
Veröffentlicht: (2021)

Randomized block proximal method with locally Lipschitz continuous gradient
von: Pérez-Aros, Pedro, et al.
Veröffentlicht: (2025)

A min-max reformulation and proximal algorithms for a class of structured nonsmooth fractional optimization problems
von: Zhou, Junpeng, et al.
Veröffentlicht: (2025)

Hybrid optimal control with mixed-integer Lagrangian methods
von: Nikitina, Viktoriya, et al.
Veröffentlicht: (2024)

Bounding-Focused Discretization Methods for the Global Optimization of Nonconvex Semi-Infinite Programs
von: Turan, Evren M., et al.
Veröffentlicht: (2023)

A Newton-CG based barrier-augmented Lagrangian method for general nonconvex conic optimization
von: He, Chuan, et al.
Veröffentlicht: (2023)

Affordable mixed-integer Lagrangian methods: optimality conditions and convergence analysis
von: De Marchi, Alberto
Veröffentlicht: (2024)

Inexact Riemannian Gradient Descent Method for Nonconvex Optimization
von: Zhou, Juan, et al.
Veröffentlicht: (2024)

The Augmented Mixing Method: Computing High-Accuracy Primal-Dual Solutions to Large-Scale SDPs via Column Updates
von: Brosch, Daniel, et al.
Veröffentlicht: (2025)

An interior point method for nonlinear constrained derivative-free optimization
von: Brilli, Andrea, et al.
Veröffentlicht: (2021)

Difference of Convex (DC) approach for neural network approximation with uniform loss function
von: Peiris, Vinesha, et al.
Veröffentlicht: (2026)

A structured L-BFGS method and its application to inverse problems
von: Mannel, Florian, et al.
Veröffentlicht: (2023)

A structured L-BFGS method with diagonal scaling and its application to image registration
von: Mannel, Florian, et al.
Veröffentlicht: (2024)

Fast Frank--Wolfe Algorithms with Adaptive Bregman Step-Size for Weakly Convex Functions
von: Takahashi, Shota, et al.
Veröffentlicht: (2025)

Adaptive proximal algorithms for convex optimization under local Lipschitz continuity of the gradient
von: Latafat, Puya, et al.
Veröffentlicht: (2023)

Privacy-Preserving Black-Box Optimization (PBBO): Theory and the Model-Based Algorithm DFOp
von: Xie, Pengcheng
Veröffentlicht: (2025)

A New Linear Programming Approach and a New Backtracking Strategy for Multiple-Gradient Descent in Multi-Objective Optimization
von: Della Santa, Francesco
Veröffentlicht: (2024)

Globally Optimal Solutions to a Class of Fractional Optimization Problems Based on Proximal Gradient Algorithm
von: Lin, Yizun, et al.
Veröffentlicht: (2023)

Adaptive proximal gradient methods are universal without approximation
von: Oikonomidis, Konstantinos A., et al.
Veröffentlicht: (2024)