凸优化总结
1基础
1.1 凸集
1.2 凸函数
1.3 凸问题
1.4 对偶
5 无约束梯度下降
常数步长,精确步长,回溯步长
二次优化 最小最大特征值近似强凸性以及L光滑。
6 约束梯度下降
先在约束内寻找下降方向,然后更新
投影法,按照正常梯度下降法,然后投影到约束集合,即寻找约束集合内的最近点。
7 次梯度法
不可微时,用次梯度代替。其他和梯度方法一样。
8 mirror 下降
考虑几何特性。
更换proximity term.。
9 近端下降
处理复合模型
不同的h函数,不同的迭代方式。
10 加速梯度
考虑历史影响,momentum term。
11 对偶方法
拉格朗日法+共轭函数
12 ADMM
ALM
ALM 同时更新 x与z。
ADMM
交替更新 x与z
拟牛顿
近似海森矩阵,满足割线方程。