Algorithmes Gradient-Proximaux Stochastiques - Centre de mathématiques appliquées (CMAP) Accéder directement au contenu
Communication Dans Un Congrès Année : 2017

Algorithmes Gradient-Proximaux Stochastiques

Résumé

Motivated by applications in statistical inference, we propose two versions of a Stochastic Proximal Gradient algorithm for the maximization of composite functions. We establish the convergence in the concave case, when the Monte Carlo approximation is biased and the bias does not vanish along iterations.
Motivés par des applications en inférence statistique, nous proposons deux versions stochastiques de l'algorithme Gradient Proximal pour la maximisation de fonctions composites. Nous établissons la convergence dans le cas concave, lorsque les approximations Monte Carlo sont biaisées avec un biais qui ne s'atténue pas au cours des itérations.
Fichier principal
Vignette du fichier
fort_etal.pdf (224.96 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01633322 , version 1 (12-11-2017)

Identifiants

  • HAL Id : hal-01633322 , version 1

Citer

Gersende Fort, Laurent Risser, Éric Moulines, Edouard Ollier, Adeline Samson. Algorithmes Gradient-Proximaux Stochastiques. GRETSI 2017, Sep 2017, Juan-les-Pins, France. ⟨hal-01633322⟩
241 Consultations
326 Téléchargements

Partager

Gmail Facebook X LinkedIn More