Buchumschlag

Gradient-free stochastic optimization for additive models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Akhavan, Arya, Tsybakov, Alexandre B.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A conversion theorem and minimax optimality for continuum contextual bandits
von: Akhavan, Arya, et al.
Veröffentlicht: (2024)

Sharp analysis of linear ensemble sampling
von: Akhavan, Arya, et al.
Veröffentlicht: (2026)

High-probability zeroth-order online convex optimisation beyond Euclidean geometry
von: Janz, David, et al.
Veröffentlicht: (2025)

Self-Concordant Perturbations for Linear Bandits
von: Lévy, Lucas, et al.
Veröffentlicht: (2025)

Non-stationary Bandit Convex Optimization: A Comprehensive Study
von: Liu, Xiaoqi, et al.
Veröffentlicht: (2025)

On the Theory of Continual Learning with Gradient Descent for Neural Networks
von: Taheri, Hossein, et al.
Veröffentlicht: (2025)

Gradient-free neural topology optimization: Towards effective fracture-resistant designs
von: Kus, Gawel, et al.
Veröffentlicht: (2024)

Sharper Guarantees for Learning Neural Network Classifiers with Gradient Methods
von: Taheri, Hossein, et al.
Veröffentlicht: (2024)

Gradient-free Continual Learning
von: Rypeść, Grzegorz
Veröffentlicht: (2025)

A theoretical and empirical study of new adaptive algorithms with additional momentum steps and shifted updates for stochastic non-convex optimization
von: Alecsa, Cristian Daniel
Veröffentlicht: (2021)

High-dimensional reliability-based design optimization using stochastic emulators
von: Moustapha, M., et al.
Veröffentlicht: (2026)

Effectiveness of Distributed Gradient Descent with Local Steps for Overparameterized Models
von: Zhu, Heng, et al.
Veröffentlicht: (2024)

Challenges in interpretability of additive models
von: Zhang, Xinyu, et al.
Veröffentlicht: (2025)

DA-MoE: Towards Dynamic Expert Allocation for Mixture-of-Experts Models
von: Aghdam, Maryam Akhavan, et al.
Veröffentlicht: (2024)

Generalization Bound of Gradient Flow through Training Trajectory and Data-dependent Kernel
von: Chen, Yilan, et al.
Veröffentlicht: (2025)

Instance-optimal stochastic convex optimization: Can we improve upon sample-average and robust stochastic approximation?
von: Jiang, Liwei, et al.
Veröffentlicht: (2026)

GLUE: Gradient-free Learning to Unify Experts
von: Park, Jong-Ik, et al.
Veröffentlicht: (2025)

FlowTIE: Flow-based Transport of Intensity Equation for Phase Gradient Estimation from 4D-STEM Data
von: Bangun, Arya, et al.
Veröffentlicht: (2025)

Low-rank surrogate modeling and stochastic zero-order optimization for training of neural networks with black-box layers
von: Chertkov, Andrei, et al.
Veröffentlicht: (2025)

Online combinatorial optimization with stochastic decision sets and adversarial losses
von: Neu, Gergely, et al.
Veröffentlicht: (2026)

Differentially Private Policy Gradient
von: Rio, Alexandre, et al.
Veröffentlicht: (2025)

A stochastic gradient method for trilevel optimization
von: Giovannelli, Tommaso, et al.
Veröffentlicht: (2025)

Dimension-free error estimate for diffusion model and optimal scheduling
von: de Bortoli, Valentin, et al.
Veröffentlicht: (2025)

Minimax estimation of functionals in sparse vector model with correlated observations
von: Wang, Yuhao, et al.
Veröffentlicht: (2024)

Online estimation of the inverse of the Hessian for stochastic optimization with application to universal stochastic Newton algorithms
von: Godichon-Baggioni, Antoine, et al.
Veröffentlicht: (2024)

Minimax optimal transfer learning for high-dimensional additive regression
von: Moon, Seung Hyun
Veröffentlicht: (2025)

Overshoot: Taking advantage of future gradients in momentum-based stochastic optimization
von: Kopal, Jakub, et al.
Veröffentlicht: (2025)

Data-driven stochastic reduced-order modeling of parametrized dynamical systems
von: Ilersich, Andrew F., et al.
Veröffentlicht: (2026)

Gradient estimators for parameter inference in discrete stochastic kinetic models
von: Burger, Ludwig, et al.
Veröffentlicht: (2026)

Primal-dual algorithm for contextual stochastic combinatorial optimization
von: Bouvier, Louis, et al.
Veröffentlicht: (2025)

Dealing with unbounded gradients in stochastic saddle-point optimization
von: Neu, Gergely, et al.
Veröffentlicht: (2024)

Measuring training variability from stochastic optimization using robust nonparametric testing
von: Banerjee, Sinjini, et al.
Veröffentlicht: (2024)

Gradient-free training of recurrent neural networks
von: Bolager, Erik Lien, et al.
Veröffentlicht: (2024)

Derivatives of Stochastic Gradient Descent in parametric optimization
von: Iutzeler, Franck, et al.
Veröffentlicht: (2024)

One-step corrected projected stochastic gradient descent for statistical estimation
von: Brouste, Alexandre, et al.
Veröffentlicht: (2023)

In Search of Goodness: Large Scale Benchmarking of Goodness Functions for the Forward-Forward Algorithm
von: Shah, Arya, et al.
Veröffentlicht: (2025)

U-Trustworthy Models.Reliability, Competence, and Confidence in Decision-Making
von: Vashistha, Ritwik, et al.
Veröffentlicht: (2024)

Generalized multi-view model: Adaptive density estimation under low-rank constraints
von: Chhor, Julien, et al.
Veröffentlicht: (2024)

Bonsai: Gradient-free Graph Condensation for Node Classification
von: Gupta, Mridul, et al.
Veröffentlicht: (2024)

Gradient-free variational learning with conditional mixture networks
von: Heins, Conor, et al.
Veröffentlicht: (2024)