About: Proximal gradient method

Facets (new session)
Description
Metadata
Settings
- Rule:
- Inverse Functional Properties:
- "Same As":

About: Proximal gradient method Goto Sponge NotDistinct Permalink

An Entity of Type : yago:WikicatGradientMethods, within Data Space : dbpedia.demo.openlinksw.com associated with source document(s)
QRcode icon

http://dbpedia.demo.openlinksw.com/describe/?url=http%3A%2F%2Fdbpedia.org%2Fresource%2FProximal_gradient_method&invfp=IFP_OFF&sas=SAME_AS_OFF

Proximal gradient methods are a generalized form of projection used to solve non-differentiable convex optimization problems. Many interesting problems can be formulated as convex optimization problems of the form

Attributes	Values
rdf:type	yago:Ability105616246 yago:Abstraction100002137 yago:Cognition100023271 yago:Know-how105616786 yago:Method105660268 yago:PsychologicalFeature100023100 yago:WikicatGradientMethods
rdfs:label	Proximal gradient method (en) Метод проксимального градиента (ru)
rdfs:comment	Proximal gradient methods are a generalized form of projection used to solve non-differentiable convex optimization problems. Many interesting problems can be formulated as convex optimization problems of the form (en) Метод проксимального градиента — это обобщение проецирования, используемое для решения недифференцируемых задач выпуклого программирования. Много интересных задач можно сформулировать как задачи выпуклого программирования вида (ru)
dcterms:subject	Gradient methods
Wikipage page ID	39587805 (xsd:integer)
Wikipage revision ID	1072866418 (xsd:integer)
Link from a Wikipage to another Wikipage	Python (programming language) Bregman method Julia (programming language) Proximal gradient methods for learning Proximal operator Conjugate gradient method Convex functions Convex optimization Matlab Gradient descent Alternating projection Smooth function Frank–Wolfe algorithm Projections onto convex sets Landweber iteration Euclidean space Iteration Gradient methods Alternating direction method of multipliers Computational learning theory Proximal Projection operator Subdifferential dbr:Wikt:implementable
Link from a Wikipage to an external page	https://web.stanford.edu/class/ee364a/ https://web.stanford.edu/class/ee364b/ http://proximity-operator.net/ https://people.eecs.berkeley.edu/~elghaoui/Teaching/EE227A/lecture18.pdf https://github.com/kul-forbes/ProximalAlgorithms.jl https://github.com/kul-forbes/ProximalOperators.jl https://web.stanford.edu/~boyd/cvxbook/
sameAs	Proximal gradient method Proximal gradient method Proximal gradient method Proximal gradient method Proximal gradient method
dbp:wikiPageUsesTemplate	dbt:Cite_book dbt:More_footnotes dbt:Reflist
has abstract	Proximal gradient methods are a generalized form of projection used to solve non-differentiable convex optimization problems. Many interesting problems can be formulated as convex optimization problems of the form where are convex functions defined from where some of the functions are non-differentiable. This rules out conventional smooth optimization techniques likeSteepest descent method, conjugate gradient method etc. Proximal gradient methods can be used instead. These methods proceed by splitting, in that the functions are used individually so as to yield an easily implementable algorithm.They are called proximal because each non smooth function among is involved via its proximityoperator. Iterative Shrinkage thresholding algorithm, projected Landweber, projectedgradient, alternating projections, alternating-direction method of multipliers, alternatingsplit Bregman are special instances of proximal algorithms. For the theory of proximal gradient methods from the perspective of and with applications to statistical learning theory, see proximal gradient methods for learning. (en) Метод проксимального градиента — это обобщение проецирования, используемое для решения недифференцируемых задач выпуклого программирования. Много интересных задач можно сформулировать как задачи выпуклого программирования вида где — выпуклые функции, определённые как отображения , где некоторые из функций недифференцируемы, что исключает обычные техники гладкой оптимизации, такие как метод наискорейшего спуска или метод сопряжённых градиентов и др., вместо них могут быть использованы проксимальные градиентные методы. Эти методы работают путём расщепления, так что функции используются индивидуально, что позволяет разработать более просто реализуемые алгоритмы.Они называются проксимальными (англ. proximal, ближайший), поскольку каждая негладкая функция среди вовлекается в процесс через оператор близости. Итерационный алгоритм мягкой пороговой фильтрации, проекция Ландвебера, проекция градиента, попеременные проекции, , метод чередующихся расщеплений Брэгмана являются частными случаями проксимальных алгоритмов. Для рассмотрения проксимальных градиентных методов со стороны статистической теории обучения и приложений к этой теории см. статью . (ru)
prov:wasDerivedFrom	wikipedia-en:Proximal_gradient_method?oldid=1072866418&ns=0
page length (characters) of wiki page	7818 (xsd:nonNegativeInteger)
foaf:isPrimaryTopicOf	wikipedia-en:Proximal_gradient_method
is Link from a Wikipage to another Wikipage of	Bregman method Regularized least squares List of numerical analysis topics Proximal gradient methods for learning Proximal operator Convex optimization Gradient descent Proximal Gradient Methods Proximal gradient methods Stochastic gradient descent Matrix regularization R. Tyrrell Rockafellar Christine De Mol Outline of statistics Sparse approximation Structured sparsity regularization
is Wikipage redirect of	Proximal Gradient Methods Proximal gradient methods
is foaf:primaryTopic of	wikipedia-en:Proximal_gradient_method

Faceted Search & Find service v1.17_git139 as of Feb 29 2024

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

OpenLink Virtuoso version 08.03.3330 as of Mar 19 2024, on Linux (x86_64-generic-linux-glibc212), Single-Server Edition (378 GB total memory, 59 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software