Buchumschlag

A derivative-free Levenberg-Marquardt method for sparse nonlinear least squares problems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Feng, Yuchen, Wang, Chuanlong, Fan, Jinyan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A derivative-free regularization algorithm for equality constrained nonlinear least squares problems
von: Chen, Xi, et al.
Veröffentlicht: (2025)

On the global complexity of a derivative-free Levenberg-Marquardt algorithm via orthogonal spherical smoothing
von: Chen, Xi, et al.
Veröffentlicht: (2024)

Convergence analysis of Levenberg-Marquardt method with Singular Scaling for nonzero residue nonlinear least-squares problems
von: Filippozzi, Rafaela, et al.
Veröffentlicht: (2024)

Levenberg-Marquardt method with Singular Scaling and applications
von: Boos, Everton, et al.
Veröffentlicht: (2023)

An Enhanced Levenberg--Marquardt Method via Gram Reduction
von: Liu, Chengchang, et al.
Veröffentlicht: (2024)

On the regularization property of Levenberg-Marquardt method with Singular Scaling for nonlinear inverse problems
von: Filippozzi, Rafaela, et al.
Veröffentlicht: (2025)

An efficient sieving based secant method for sparse optimization problems with least-squares constraints
von: Li, Qian, et al.
Veröffentlicht: (2023)

Parallel Inexact Levenberg-Marquardt Method for Nearly-Separable Nonlinear Least Squares
von: Fodor, Lidija, et al.
Veröffentlicht: (2023)

Designing trajectories in the Earth-Moon system: a Levenberg-Marquardt approach
von: Nunes, António, et al.
Veröffentlicht: (2025)

Regularized higher-order Taylor approximation methods for nonlinear least-squares
von: Nabou, Yassine, et al.
Veröffentlicht: (2025)

Inexact Levenberg-Marquardt methods under Hölder metric subregularity
von: Symoens, Bas, et al.
Veröffentlicht: (2025)

A variable dimension sketching strategy for nonlinear least-squares
von: Bellavia, Stefania, et al.
Veröffentlicht: (2025)

Reduced order method based Anderson-type acceleration method for nonlinear least square problems and large scale ill-posed problems
von: Ito, Kazufumi, et al.
Veröffentlicht: (2025)

Modified projected Gauss-Newton method for constrained nonlinear least-squares: application to power flow analysis
von: Nabou, Yassine, et al.
Veröffentlicht: (2025)

Inexact Gauss-Newton methods with matrix approximation by sampling for nonlinear least-squares and systems
von: Bellavia, Stefania, et al.
Veröffentlicht: (2023)

Complexity analysis of regularization methods for implicitly constrained least squares
von: Onwunta, Akwum, et al.
Veröffentlicht: (2023)

Fast algorithm for sparse least trimmed squares via trimmed-regularized reformulation
von: Yagishita, Shotaro
Veröffentlicht: (2024)

A spectral Levenberg-Marquardt-Deflation method for multiple solutions of semilinear elliptic systems
von: Li, Lin, et al.
Veröffentlicht: (2025)

A refined nonlinear least-squares method for the rational approximation problem
von: Ackermann, Michael S., et al.
Veröffentlicht: (2026)

Anderson acceleration of derivative-free projection methods for constrained monotone nonlinear equations
von: Jin, Jiachen, et al.
Veröffentlicht: (2024)

Accelerated-gradient-based generalized Levenberg--Marquardt method with oracle complexity bound and local quadratic convergence
von: Marumo, Naoki, et al.
Veröffentlicht: (2022)

A least-square method for non-asymptotic identification in linear switching control
von: Sun, Haoyuan, et al.
Veröffentlicht: (2024)

A metric function for dual quaternion matrices and related least-squares problems
von: Ling, Chen, et al.
Veröffentlicht: (2024)

Smooth, globally Polyak-Łojasiewicz functions are nonlinear least-squares
von: Boumal, Nicolas, et al.
Veröffentlicht: (2026)

Geometrically robust least squares through manifold optimization
von: Coulson, Jeremy, et al.
Veröffentlicht: (2025)

Majorization-Minimization-Based Levenberg--Marquardt Method for Constrained Nonlinear Least Squares
von: Marumo, Naoki, et al.
Veröffentlicht: (2020)

A fast iterative thresholding and support-and-scale shrinking algorithm (fits3) for non-lipschitz group sparse optimization (i): the case of least-squares fidelity
von: Zhao, Yanan, et al.
Veröffentlicht: (2025)

Do physics-informed neural networks (PINNs) need to be deep? Shallow PINNs using the Levenberg-Marquardt algorithm
von: Shahab, Muhammad Luthfi, et al.
Veröffentlicht: (2026)

Variable projection framework for the reduced-rank matrix approximation problem by weighted least-squares
von: Terray, Pascal
Veröffentlicht: (2025)

A note on the generalised Hessian of the least squares associated with systems of linear inequalities
von: Dolgopolik, M. V.
Veröffentlicht: (2024)

Stochastic gradient with least-squares control variates
von: Nobile, Fabio, et al.
Veröffentlicht: (2025)

On derivative-free extended Kalman filtering and its Matlab-oriented square-root implementations for state estimation in continuous-discrete nonlinear stochastic systems
von: Kulikova, Maria V., et al.
Veröffentlicht: (2024)

Complexity results and active-set identification of a derivative-free method for bound-constrained problems
von: Brilli, Andrea, et al.
Veröffentlicht: (2024)

Concentration inequalities for semidefinite least squares based on data
von: Fabiani, Filippo, et al.
Veröffentlicht: (2025)

CaΣoS: A nonlinear sum-of-squares optimization suite
von: Cunis, Torbjørn, et al.
Veröffentlicht: (2024)

Compressed and distributed least-squares regression: convergence rates with applications to Federated Learning
von: Philippenko, Constantin, et al.
Veröffentlicht: (2023)

Data-driven confidence bound for structural response using segmented least squares: a mixed-integer programming approach
von: Kanno, Yoshihiro
Veröffentlicht: (2024)

Error dynamics of mini-batch gradient descent with random reshuffling for least squares regression
von: Lok, Jackie, et al.
Veröffentlicht: (2024)

On computing sparse universal solvers for key problems in statistics
von: Machado, Ananias Sousa, et al.
Veröffentlicht: (2025)

Enhancing finite-difference based derivative-free optimization methods with machine learning
von: Taminiau, Timothé, et al.
Veröffentlicht: (2025)