Resumen

Consideramos un problema de optimización estocástica continuo submodular a gran escala, que surge naturalmente en muchas aplicaciones como el aprendizaje automático. Debido a los datos de alta dimensionalidad, el cálculo del vector gradiente completo puede volverse prohibitivamente costoso. Para reducir la complejidad y los requisitos de memoria, proponemos un algoritmo estocástico de proyección de gradiente de bloques coordenados para maximizar funciones submodulares continuas, que elige un subconjunto aleatorio del vector gradiente y actualiza las estimaciones a lo largo de la dirección del gradiente positivo. Demostramos que las estimaciones de todos los nodos generados por el algoritmo convergen a algunos puntos estacionarios con probabilidad 1. Además, mostramos que el algoritmo propuesto logra la garantía de aproximación ajustada después de iteraciones para funciones DR-submodulares eligiendo tamaños de paso apropiados. Además, también demostramos que el algoritmo logra la garantía de aproximación ajustada después de iteraciones para funciones débilmente DR-submodulares con el parámetro

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Estocástico; Continuo; Submodular; Optimización; Algoritmo; Funciones
• Keywords:Stochastic; Continuous; Submodular; Optimization; Algorithm; Functions