Submit Search
Upload
A Forward-Backward Splitting Method with Component-wise Lazy Evaluation for Online Structured Convex Optimization
•
0 likes
•
880 views
京都大学大学院情報学研究科数理工学専攻
Follow
京都大学大学院情報学研究科数理工学専攻 2015年度修士論文 鋒
Read less
Read more
Presentations & Public Speaking
Report
Share
Report
Share
1 of 31
Download now
Download to read offline
Recommended
TS26 IzuOhshima mad srip disaster Mapping Support Team MTG
TS26 IzuOhshima mad srip disaster Mapping Support Team MTG
Reiko Kunisada
力学系数理分野(研究室)のご案内
力学系数理分野(研究室)のご案内
京都大学大学院情報学研究科数理工学専攻
数理工学専攻の入試案内
数理工学専攻の入試案内
京都大学大学院情報学研究科数理工学専攻
数理解析分野(研究室)の案内
数理解析分野(研究室)の案内
京都大学大学院情報学研究科数理工学専攻
Exact Algorithms for Minimum Edge Dominating Set and Lowest Edge Dominating Set
Exact Algorithms for Minimum Edge Dominating Set and Lowest Edge Dominating Set
京都大学大学院情報学研究科数理工学専攻
最適化数理分野(研究室)の案内
最適化数理分野(研究室)の案内
京都大学大学院情報学研究科数理工学専攻
離散数理分野(研究室)の案内
離散数理分野(研究室)の案内
京都大学大学院情報学研究科数理工学専攻
物理統計学分野(研究室)の案内
物理統計学分野(研究室)の案内
京都大学大学院情報学研究科数理工学専攻
Recommended
TS26 IzuOhshima mad srip disaster Mapping Support Team MTG
TS26 IzuOhshima mad srip disaster Mapping Support Team MTG
Reiko Kunisada
力学系数理分野(研究室)のご案内
力学系数理分野(研究室)のご案内
京都大学大学院情報学研究科数理工学専攻
数理工学専攻の入試案内
数理工学専攻の入試案内
京都大学大学院情報学研究科数理工学専攻
数理解析分野(研究室)の案内
数理解析分野(研究室)の案内
京都大学大学院情報学研究科数理工学専攻
Exact Algorithms for Minimum Edge Dominating Set and Lowest Edge Dominating Set
Exact Algorithms for Minimum Edge Dominating Set and Lowest Edge Dominating Set
京都大学大学院情報学研究科数理工学専攻
最適化数理分野(研究室)の案内
最適化数理分野(研究室)の案内
京都大学大学院情報学研究科数理工学専攻
離散数理分野(研究室)の案内
離散数理分野(研究室)の案内
京都大学大学院情報学研究科数理工学専攻
物理統計学分野(研究室)の案内
物理統計学分野(研究室)の案内
京都大学大学院情報学研究科数理工学専攻
A Method for Generating Colorings over Graph Automophism
A Method for Generating Colorings over Graph Automophism
京都大学大学院情報学研究科数理工学専攻
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
A Polynomial-Space Exact Algorithm for TSP in Degree-5 Graphs
A Polynomial-Space Exact Algorithm for TSP in Degree-5 Graphs
京都大学大学院情報学研究科数理工学専攻
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
大規模凸最適化問題に対する勾配法
大規模凸最適化問題に対する勾配法
京都大学大学院情報学研究科数理工学専攻
混沌を活かす技術と思想の温故知新 -熱機関から携帯電話、そして未来のICTへ-
混沌を活かす技術と思想の温故知新 -熱機関から携帯電話、そして未来のICTへ-
京都大学大学院情報学研究科数理工学専攻
ゆらぎの数理 情報処理への応用
ゆらぎの数理 情報処理への応用
京都大学大学院情報学研究科数理工学専攻
簡単そうで難しい組合せ最適化
簡単そうで難しい組合せ最適化
京都大学大学院情報学研究科数理工学専攻
ITと数学で社会に役立つ数理最適化
ITと数学で社会に役立つ数理最適化
京都大学大学院情報学研究科数理工学専攻
More Related Content
Viewers also liked
A Method for Generating Colorings over Graph Automophism
A Method for Generating Colorings over Graph Automophism
京都大学大学院情報学研究科数理工学専攻
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
A Polynomial-Space Exact Algorithm for TSP in Degree-5 Graphs
A Polynomial-Space Exact Algorithm for TSP in Degree-5 Graphs
京都大学大学院情報学研究科数理工学専攻
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
大規模凸最適化問題に対する勾配法
大規模凸最適化問題に対する勾配法
京都大学大学院情報学研究科数理工学専攻
混沌を活かす技術と思想の温故知新 -熱機関から携帯電話、そして未来のICTへ-
混沌を活かす技術と思想の温故知新 -熱機関から携帯電話、そして未来のICTへ-
京都大学大学院情報学研究科数理工学専攻
ゆらぎの数理 情報処理への応用
ゆらぎの数理 情報処理への応用
京都大学大学院情報学研究科数理工学専攻
簡単そうで難しい組合せ最適化
簡単そうで難しい組合せ最適化
京都大学大学院情報学研究科数理工学専攻
ITと数学で社会に役立つ数理最適化
ITと数学で社会に役立つ数理最適化
京都大学大学院情報学研究科数理工学専攻
Viewers also liked
(9)
A Method for Generating Colorings over Graph Automophism
A Method for Generating Colorings over Graph Automophism
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
A Polynomial-Space Exact Algorithm for TSP in Degree-5 Graphs
A Polynomial-Space Exact Algorithm for TSP in Degree-5 Graphs
coordinate descent 法について
coordinate descent 法について
大規模凸最適化問題に対する勾配法
大規模凸最適化問題に対する勾配法
混沌を活かす技術と思想の温故知新 -熱機関から携帯電話、そして未来のICTへ-
混沌を活かす技術と思想の温故知新 -熱機関から携帯電話、そして未来のICTへ-
ゆらぎの数理 情報処理への応用
ゆらぎの数理 情報処理への応用
簡単そうで難しい組合せ最適化
簡単そうで難しい組合せ最適化
ITと数学で社会に役立つ数理最適化
ITと数学で社会に役立つ数理最適化
A Forward-Backward Splitting Method with Component-wise Lazy Evaluation for Online Structured Convex Optimization
1.
A Forward-Backward Splitting
Method with Component-wise Lazy Evaluation for Online Structured Convex Optimization 最適化数理分野�������� ������������������������ � 1 鋒幸洋� 数理工学専攻 修士論文発表会 2016年2月18日 鋒 幸洋 プレゼン資料
2.
平成28年度 数理工学専攻説明会 第1回: 平成28年5月
7日(土) 13:30~ 第2回: 平成28年5月30日(月) 17:00~ 場所、プログラムの詳細は以下の専攻HPをご覧ください。 http://www.amp.i.kyoto-u.ac.jp *説明会は教員とのコネクションを作るチャンスです。 *本説明会は修士課程の説明会も兼ねています。 京都大学大学院 情報学研究科 数理工学専攻 博士後期課程の学生募集
3.
問題設定� 2 例2:統計・確率計画� �� . ただし
は確率変数 のサンプル.� ‣ は微分可能な凸関数, も凸関数� 例1:機械学習� ��はデータのサンプル数を表す. は 番目のデータによる� 損失関数, はL1正則化項などの正則化項とする. � は正則化項や制約集合の標示関数とする.�
4.
問題設定� 3 ‣ さらに以下の性質を持つ問題を考える. � (i)
は非常に大きい正の数.� →サンプル数に対応し, ビッグデータを扱う問題などが該当する. � �
5.
問題設定� 4 ‣ さらに以下の性質を持つ問題を考える. � (i)
は非常に大きい正の数.� →サンプル数に対応し, ビッグデータを扱う問題などが該当する. � � (ii) は の各成分に対して分解可能. i.e. � →機械学習などの分野で一般的に用いられる正則化項が該当. �
6.
問題設定� 5 ‣ さらに以下の性質を持つ問題を考える. � (i)
は非常に大きい正の数.� →サンプル数に対応し, ビッグデータを扱う問題などが該当する. � � (ii) は の各成分に対して分解可能. i.e. � →機械学習などの分野で一般的に用いられる正則化項が該当. � � (iii) の多くの成分が0である.� →応用先でのデータに依存する.�
7.
6 ‣ データを分類する機械学習の問題において, ロジスティック損失
� を用いることが多い.� � � ここで, は サンプル目の特徴ベクトル, はクラスを表す. � � � 問題設定( がスパースとなる問題)�
8.
問題設定( がスパースとなる問題)� 7 ‣ データを分類する機械学習の問題において,
ロジスティック損失 � を用いることが多い.� � � ★ すなわち, 特徴 がスパースであれば, 勾配もスパースとなる.� ここで, は サンプル目の特徴ベクトル, はクラスを表す. � � �
9.
8 ‣ データを分類する機械学習の問題において, ロジスティック損失
� を用いることが多い.� � � ★ すなわち, 特徴 がスパースであれば, 勾配もスパースとなる.� ✦ の次元 は数十万と非常に大きい.� �✦ 一方で, ひとつのテキストには数百程度の単語しか登場しないため,� �� はスパースなベクトルとなる. (非ゼロ成分は0.1%程度) � � ✦ は 番目のテキストデータに単語 が登場する回数を表す. � 例:テキストデータの特徴� ここで, は サンプル目の特徴ベクトル, はクラスを表す. � � � 問題設定( がスパースとなる問題)�
10.
Forward-Backward Splitting Method 9 Forward-Backward
Splitting Method (FOBOS) ‣ が大きな問題に対し, 目的関数の一部 のみを用いて更新する. � ‣ に対する勾配法と に対する近接点法を組み合わせた FOBOS� が一般的に用いられる. �
11.
Forward-Backward Splitting Method 10 Forward-Backward
Splitting Method (FOBOS) ‣ が大きな問題に対し, 目的関数の一部 のみを用いて更新する. � ‣ に対する勾配法と に対する近接点法を組み合わせた FOBOS� が一般的に用いられる. � FOBOSによる更新� (勾配法)� (近接点法)�
12.
Forward-Backward Splitting Method 11 Forward-Backward
Splitting Method (FOBOS) ‣ が大きな問題に対し, 目的関数の一部 のみを用いて更新する. � ‣ に対する勾配法と に対する近接点法を組み合わせた FOBOS� が一般的に用いられる. � FOBOSによる更新� (勾配法)� (近接点法)�
13.
Forward-Backward Splitting Method 12 ‣
勾配法と近接点法では同じステップサイズ が用いられる. � Forward-Backward Splitting Method (FOBOS) FOBOSによる更新� (勾配法)� (近接点法)� ‣ が大きな問題に対し, 目的関数の一部 のみを用いて更新する. � ‣ に対する勾配法と に対する近接点法を組み合わせた FOBOS� が一般的に用いられる. �
14.
Forward-Backward Splitting Method 13 Forward-Backward
Splitting Method (FOBOS) FOBOSによる更新� (勾配法)� (近接点法)� ‣ 勾配の成分が0であれば, 勾配法は となり, 計算の必要がない. � ‣ が大きな問題に対し, 目的関数の一部 のみを用いて更新する. � ‣ に対する勾配法と に対する近接点法を組み合わせた FOBOS� が一般的に用いられる. �
15.
‣ とすると, 勾配法は
, 近接点法は . � Forward-Backward Splitting Method 14 FOBOSによる更新� Forward-Backward Splitting Method (FOBOS) (勾配法)� (近接点法)� ‣ が大きな問題に対し, 目的関数の一部 のみを用いて更新する. � ‣ に対する勾配法と に対する近接点法を組み合わせた FOBOS� が一般的に用いられる. � ‣ 勾配の成分が0であれば, 勾配法は となり, 計算の必要がない. �
16.
Forward-Backward Splittingと遅延評価� 15 ‣ FOBOSの更新の一部を遅延評価する手法も知られている[Langford,
09]. � 勾配法の更新� 近接点法の更新� 勾配法の更新� 近接点法の更新� …� 通常のFOBOS � 1回の� 反復�
17.
Forward-Backward Splittingと遅延評価� 16 ‣ FOBOSの更新の一部を遅延評価する手法も知られている[Langford,
09]. � 勾配法の更新� 近接点法の更新� 勾配法の更新� 近接点法の更新� …� 近接点法の更新� 近接点法の更新� 勾配法の更新� 勾配法の更新� …�…� 通常のFOBOS � 遅延評価するFOBOS � ‣ 遅延評価を行うFOBOSをL-FOBOSと呼ぶ. � 1回の� 反復� 反復� 続けて更新� 反復� 続けて更新�
18.
Forward-Backward Splittingと遅延評価� 17 ‣ FOBOSの更新の一部を遅延評価する手法も知られている[Langford,
09]. � 勾配法の更新� 近接点法の更新� 勾配法の更新� 近接点法の更新� …� 近接点法の更新� 近接点法の更新� 勾配法の更新� 勾配法の更新� …�…� ‣ 近接点法を遅延評価する場合, 勾配法と同じステップサイズを用いる.� 通常のFOBOS � 遅延評価するFOBOS � 1回の� 反復� 反復� 続けて更新� 反復� 続けて更新�
19.
Forward-Backward Splittingと遅延評価� 18 ‣ FOBOSの更新の一部を遅延評価する手法も知られている[Langford,
09]. � 勾配法の更新� 近接点法の更新� 勾配法の更新� 近接点法の更新� …� 近接点法の更新� 近接点法の更新� 勾配法の更新� 勾配法の更新� …�…� 通常のFOBOS � 遅延評価するFOBOS � 1回の� 反復� 反復� 続けて更新� � 反復� 続けて更新� �
20.
Forward-Backward Splittingと遅延評価� 19 ‣ FOBOSの更新の一部を遅延評価する手法も知られている[Langford,
09]. � 勾配法の更新� 近接点法の更新� 勾配法の更新� 近接点法の更新� …� 近接点法の更新� 近接点法の更新� 勾配法の更新� 勾配法の更新� …�…� 通常のFOBOS � 遅延評価するFOBOS � 1回の� 反復� 1反復に� まとめて更新� � 反復� 続けて更新� � ‣ が に依らないため, 近接点法の遅延評価の更新は で� 計算できることが知られている[Duchi,09]. �
21.
Forward-Backward Splittingと遅延評価� 20 ‣ FOBOSの更新の一部を遅延評価する手法も知られている[Langford,
09]. � 勾配法の更新� 近接点法の更新� 勾配法の更新� 近接点法の更新� …� 近接点法の更新� 近接点法の更新� 勾配法の更新� 勾配法の更新� …�…� 通常のFOBOS � 遅延評価するFOBOS � 1回の� 反復� ‣ L-FOBOSは の情報を無視した, 性質の悪い点列を生成してしまう. � 1反復に� まとめて更新� � 反復� 続けて更新� �
22.
成分ごとに遅延評価するFOBOS(提案手法)� 21 ‣ 具体的に, の更新を後の反復に遅らせ,
各反復で � に対する勾配法と遅延評価を行う. � � ‣ が分解可能であることを利用して, 成分ごとに� を遅延評価する.� �
23.
成分ごとに遅延評価するFOBOS(提案手法)� 22 ‣ このアルゴリズムをCL-FOBOSと呼ぶ.� 成分ごとに遅延評価するFOBOS (CL-FOBOS) (勾配法)� (遅延評価)� ‣
ここで, は前回 が更新された反復以降のステップサイズの和. � ‣ 具体的に, の更新を後の反復に遅らせ, 各反復で � に対する勾配法と遅延評価を行う. � � ‣ が分解可能であることを利用して, 成分ごとに� を遅延評価する.� �
24.
成分ごとに遅延評価するFOBOS(提案手法)� 23 ‣ CL-FOBOSは各反復で を考慮することができ,
反復あたりの� 計算量も で行うことができる. � � 成分ごとに遅延評価するFOBOS (CL-FOBOS) (勾配法)� (遅延評価)� ‣ 具体的に, の更新を後の反復に遅らせ, 各反復で � に対する勾配法と遅延評価を行う. � � ‣ が分解可能であることを利用して, 成分ごとに� を遅延評価する.� �
25.
成分ごとに遅延評価するFOBOS(提案手法)� 24 仮定2:� のすべての成分は少なくとも 回に一度の反復で� 遅延評価される.� とする.
仮定1, 2が満たされるとき,� ただし, であり, � はその最適値である. � 仮定1: FOBOSの解析で用いられる仮定が成り立つ.� CL-FOBOSによる最適値についての定理�
26.
数値実験� 25 Amazonレビューの2クラス分類を行い, L-FOBOSとCL-FOBOSを比較. � ‣
ロジステック損失とL1正則化項を使用したモデル.� ‣ によって のスパース性を制御する. � l 学習モデル�
27.
数値実験� 26 Amazonレビューの2クラス分類を行い, L-FOBOSとCL-FOBOSを比較. � l 学習モデル� サンプル数(
)� 特徴数( ) � 非ゼロ成分の割合� 4,465� 332,440� 0.06%� ‣ 100,000サンプルをランダムに抽出して学習に使用.� ‣ ロジステック損失とL1正則化項を使用したモデル.� ‣ によって のスパース性を制御する. � l データセットの概要�
28.
数値実験� 27 • のとき� (L-FOBOS) を変えたときにトレードオフの関係が成立.� (CL-FOBOS)
同じ実行時間の既存手法より関数値が小さい.� 実行時間(秒)� 点� 列� に� よ� る� 関� 数� 値�
29.
数値実験� 28 • のとき� 正則化項の影響が小さく, トレードオフの関係は不成立.� 実行時間(秒)� 点� 列� に� よ� る� 関� 数� 値�
30.
数値実験� 29 • のとき� (L-FOBOS) の遅延評価を行うときだけ点列がスパースになる.� (CL-FOBOS)
常にスパースな点列を生成する.� 非� ゼ� ロ� 成� 分� の� 割� 合� 反復数�
31.
まとめ� 30 • 成分ごとに遅延評価を行うFOBOSを提案した.� • 提案手法に対する収束性の解析を行った.� • 数値実験を行い, がある程度大きいモデルに対して� 提案手法の優位性を確認した. �
Download now