（1）
G
G
G-Lipschitz函数
（2）
β
\beta
β-光滑函数
（3）
λ
\lambda
λ-强凸函数
（4）Bregman散度
注意：
(i)
D
r
(
x
,
y
)
D_{r}(x,y)
Dr(x,y)关于x是凸函数
(ii)
D
r
(
x
,
y
)
=
D
r
∗
(
∇
r
(
x
)
,
∇
r
(
y
)
)
D_{r}(x,y)=D_{r^{*}}(\nabla r(x),\nabla r(y))
Dr(x,y)=Dr∗(∇r(x),∇r(y))
(iii)
∇
r
(
∇
r
∗
(
x
)
)
=
x
\nabla r(\nabla r^{*}(x))=x
∇r(∇r∗(x))=x
一般把
∇
r
(
x
)
\nabla r(x)
∇r(x)称为x的镜像。
文章探讨了优化领域的几个关键概念，包括G-Lipschitz函数的连续性，β-光滑函数的导数特性，以及λ-强凸函数在优化中的作用。重点介绍了Bregman散度，特别是其关于x的凸性质(i)，散度的对偶形式(ii)，以及镜像映射的性质(iii)，即梯度的逆映射等于原点。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
