Buchumschlag

Learning-to-Optimize with PAC-Bayesian Guarantees: Theoretical Considerations and Practical Implementation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sucker, Michael, Fadili, Jalal, Ochs, Peter
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Generalization Result for Convergence in Learning-to-Optimize
von: Sucker, Michael, et al.
Veröffentlicht: (2024)

Global non-asymptotic super-linear convergence rates of regularized proximal quasi-Newton methods on non-smooth composite problems
von: Wang, Shida, et al.
Veröffentlicht: (2024)

A Quasi-Newton Primal-Dual Algorithm with Line Search
von: Wang, Shida, et al.
Veröffentlicht: (2024)

Inertial Quasi-Newton Methods for Monotone Inclusion: Efficient Resolvent Calculus and Primal-Dual Methods
von: Wang, Shida, et al.
Veröffentlicht: (2022)

Convergence rates of regularized quasi-Newton methods without strong convexity
von: Wang, Shida, et al.
Veröffentlicht: (2025)

From Learning to Optimize to Learning Optimization Algorithms
von: Castera, Camille, et al.
Veröffentlicht: (2024)

Automatic Differentiation of Optimization Algorithms with Time-Varying Updates
von: Mehmood, Sheheryar, et al.
Veröffentlicht: (2024)

Towards Robust Learning to Optimize with Theoretical Guarantees
von: Song, Qingyu, et al.
Veröffentlicht: (2025)

A Markovian Model for Learning-to-Optimize
von: Sucker, Michael, et al.
Veröffentlicht: (2024)

Fixed-Point Automatic Differentiation of Forward--Backward Splitting Algorithms for Partly Smooth Functions
von: Mehmood, Sheheryar, et al.
Veröffentlicht: (2022)

Unit Commitment Predictor With a Performance Guarantee: A Support Vector Machine Classifier
von: Pourahmadi, Farzaneh, et al.
Veröffentlicht: (2023)

Understanding the Curse of Unrolling
von: Mehmood, Sheheryar, et al.
Veröffentlicht: (2026)

Near-optimal Closed-loop Method via Lyapunov Damping for Convex Optimization
von: Maier, Severin, et al.
Veröffentlicht: (2023)

PAC-Bayes Meets Online Contextual Optimization
von: Xie, Zhuojun, et al.
Veröffentlicht: (2025)

First Provable Guarantees for Practical Private FL: Beyond Restrictive Assumptions
von: Shulgin, Egor, et al.
Veröffentlicht: (2025)

Data-Driven Performance Guarantees for Classical and Learned Optimizers
von: Sambharya, Rajiv, et al.
Veröffentlicht: (2024)

Transfer Learning in Bayesian Optimization for Aircraft Design
von: Tfaily, Ali, et al.
Veröffentlicht: (2026)

Learning to Optimize for Mixed-Integer Non-linear Programming with Feasibility Guarantees
von: Tang, Bo, et al.
Veröffentlicht: (2024)

Randomized algorithms and PAC bounds for inverse reinforcement learning in continuous spaces
von: Kamoutsi, Angeliki, et al.
Veröffentlicht: (2024)

Adaptive Matrix Online Learning through Smoothing with Guarantees for Nonsmooth Nonconvex Optimization
von: Jiang, Ruichen, et al.
Veröffentlicht: (2026)

Sharper Guarantees for Misspecified Kernelized Bandit Optimization
von: Maran, Davide, et al.
Veröffentlicht: (2026)

Reevaluating Theoretical Analysis Methods for Optimization in Deep Learning
von: Tran, Hoang, et al.
Veröffentlicht: (2024)

Stochastic Polyak Step-sizes and Momentum: Convergence Guarantees and Practical Performance
von: Oikonomou, Dimitris, et al.
Veröffentlicht: (2024)

Inexact and Stochastic Gradient Optimization Algorithms with Inertia and Hessian Driven Damping
von: Choudhary, Harsh, et al.
Veröffentlicht: (2025)

Stochastic Compositional Minimax Optimization with Provable Convergence Guarantees
von: Deng, Yuyang, et al.
Veröffentlicht: (2024)

Subspace Optimization for Large Language Models with Convergence Guarantees
von: He, Yutong, et al.
Veröffentlicht: (2024)

On the Hardness of Meaningful Local Guarantees in Nonsmooth Nonconvex Optimization
von: Kornowski, Guy, et al.
Veröffentlicht: (2024)

Adam-family Methods for Nonsmooth Optimization with Convergence Guarantees
von: Xiao, Nachuan, et al.
Veröffentlicht: (2023)

Optimal Guarantees for Algorithmic Reproducibility and Gradient Complexity in Convex Optimization
von: Zhang, Liang, et al.
Veröffentlicht: (2023)

FSNet: Feasibility-Seeking Neural Network for Constrained Optimization with Guarantees
von: Nguyen, Hoang T., et al.
Veröffentlicht: (2025)

Bayesian Optimization of Function Networks with Partial Evaluations
von: Buathong, Poompol, et al.
Veröffentlicht: (2023)

Stochastic Monotone Inclusion with Closed Loop Distributions
von: Ennaji, Hamza, et al.
Veröffentlicht: (2024)

The stochastic Ravine accelerated gradient method with general extrapolation coefficients
von: Attouch, Hedy, et al.
Veröffentlicht: (2024)

Memory-Reduced Meta-Learning with Guaranteed Convergence
von: Yang, Honglin, et al.
Veröffentlicht: (2024)

On Performance Guarantees for Federated Learning with Personalized Constraints
von: Ebrahimi, Mohammadjavad, et al.
Veröffentlicht: (2026)

A Control Theoretic Framework for Adaptive Gradient Optimizers in Machine Learning
von: Chakrabarti, Kushal, et al.
Veröffentlicht: (2022)

Convergence and Complexity Guarantee for Inexact First-order Riemannian Optimization Algorithms
von: Li, Yuchen, et al.
Veröffentlicht: (2024)

Inertial Methods with Viscous and Hessian driven Damping for Non-Convex Optimization
von: Maulen-Soto, Rodrigo, et al.
Veröffentlicht: (2024)

Conformal Mixed-Integer Constraint Learning with Feasibility Guarantees
von: Ovalle, Daniel, et al.
Veröffentlicht: (2025)

Learning Over-Relaxation Policies for ADMM with Convergence Guarantees
von: Lin, Junan, et al.
Veröffentlicht: (2026)