### Convex Optimization Note 4
1. Log-concave and log-convex functions
1) log-convex function 也是 convex,log-concave至少是quasi-concave,concave function一定是log-concave(composition)
2) examples:
cumulative function of Gaussian density is log-concave
Φ(x)=∫x−∞e−u2/2du
Φ
(
x
)
=
∫
−
∞
x
e
−
u
2
/
2
d
u
Gamma function is log-convex for x>1:
Γ(x)=∫∞0ux−1e−udu
Γ
(
x
)
=
∫
0
∞
u
x
−
1
e
−
u
d
u
detX
det
X
is log-concave
detX/tr X
det
X
/
t
r
X
is log-concave
大部分概率密度函数都是log-concave,如高斯分布、指数分布、Convex set上的均匀分布
3) log-convex ⟺f(x)∇2f(x)⪰∇f(x)∇f(x)T ⟺ f ( x ) ∇ 2 f ( x ) ⪰ ∇ f ( x ) ∇ f ( x ) T
4) multiplication and positive scaling保持log-concave log-convex
加法保持log-convex(由log-sum-exp的convexity可以推导),并且可以推广至积分:
f(x,y)
f
(
x
,
y
)
对于任意
y
y
关于 都是log-convex,则
g(x)=∫Cf(x,y)dy
g
(
x
)
=
∫
C
f
(
x
,
y
)
d
y
是log-convex
5) 如果
f(x,y)
f
(
x
,
y
)
是关于
(x,y)
(
x
,
y
)
的log-concave函数,那么
g(x)=∫f(x,y)dy
g
(
x
)
=
∫
f
(
x
,
y
)
d
y
是log-concave:
这个性质可以用于边缘分布、卷积等:
概率密度函数是log-concave则其概率累积函数是log-concave(例如高斯分布)
2. Convexity with respect to generalized inequalities
1) 如果是对于
Rn+
R
+
n
的单调性则是对于每一个变量单独的单调性。
对于
Sn+
S
+
n
的单调性:
tr(WX)
t
r
(
W
X
)
2) gradient condition for monotonicity:
K
K
-non-decreasing
K
K
-increasing 反过来不正确
3) convexity对于
Rn+
R
+
n
实际上就是每一个分量都是convex
对于
Sn+
S
+
n
而言,convexity
⟺∀z zTf(x)z
⟺
∀
z
z
T
f
(
x
)
z
是convex function
4) f f 是 K K convex function ⟺∀ω⪰K∗0 ωTf ⟺ ∀ ω ⪰ K ∗ 0 ω T f 是convex function(strict同理,去掉等号)
5) 一阶导数条件与convex相同,只是把不等号换成推广不等号
6) composition: 同convex
3. Generalized inequality constraints
1) 将convex optimization问题中的不等式替换为generalized inequality,函数替换为 K K -convex function
2) 具有性质:
feasible set, sublevel set, optimal or suboptimal set都是convex set
局部最优是全局最优
可微分 的各种最优条件不变
(通常可以用凸优化方法直接求解这类问题)
3)Conic programming-> Second-order cone programming(SOCP)
Semidefinite programming