subgradients
Posted mtandhj
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了subgradients相关的知识,希望对你有一定的参考价值。
目录
《Subgradients》
Subderivate-wiki
Subgradient method-wiki
《Subgradient method》
Subgradient-Prof.S.Boyd,EE364b,StanfordUniversity
《Characterization of the Subdifferential of Some Matrix Norms 》
定义
我们称(g in mathbb{R}^n)是(f:mathbb{R}^{n}
ightarrow mathbb{R})在(xin domf)的次梯度,如果对于任意的(z in domf),满足:
[
f(z) ge f(x) + g^T(z-x)
]
如果(f)是可微凸函数,那么(g)就是(f)在(x)处的梯度。我们将(z)看成变量,那么仿射函数(f(x)+g^T(z-x))是(f(z))的一个全局下估计。这个次梯度的作用,就是在处理不可微函数的时候,提供一个替代梯度的工具,而且,根据定义,沿着次梯度方向,函数的值是非降的:
[
f(alpha g+x) ge f(x) + alpha g^Tg
]
另外,如果极限存在,有下面的性质,这联系了方向导数和次梯度:
[
lim limits_{z
ightarrow x^+} frac{f(z)-f(x)}{|z-x|} ge g^T(z-x)/|z-x|
]
当然,还有从左往右的来的,这里就不讲了。
下图是一个例子,我们可以看到,在存在梯度的地方,次梯度就是梯度,在不可导的地方,次梯度是一个凸集。
次梯度总是闭凸集,即便(f)不是凸函数,有下面的性质:
[
partial f(x) = igcap limits_{z in domf} { g| f(z) ge f(x) + g^T (z-x) }
]
下面是(f(x) = |x|)的例子:
上镜图解释
(g)是次梯度,当且仅当((g, -1))是(f)的上镜图在((x, f(x)))处的一个支撑超平面。
函数(f)的上镜图定义为:
[
mathbf{epi} f = { (x, t) | x in mathbf{dom} f, f(x) le t}
]
一个函数是凸函数,当且仅当其上镜图是凸集。
我们来证明一开始的结论,即(g)是次梯度,当且仅当((g, -1))是(f)的上镜图在((x, f(x)))处的一个支撑超平面。
首先,若((g, -1))是(f)的上镜图在((x, f(x)))处的一个支撑超平面,则:
[
g^T(x-x_0)-(t-f(x_0)) le 0 \Rightarrow t ge f(x_0)+g^T(x-x_0)
]
对所有((x, t) in mathbf{epi} f)成立,令(t=f(x)),结果便得到。
反过来,如果(g)是次梯度,那么:
[
f(z) ge f(x) + g^T(z-x) \Rightarrow f(z)-f(x) ge g^T(z-x)
]
又(t ge f(z), (z, t) in mathbf{epi} f),所以:
[
t - f(x)ge f(z)-f(x) ge g^T(z-x)
]
所以,((g,-1))在((x, f(x)))处定义了一个超平面。
次梯度的存在性
如果(f)是凸函数,且(x in mathbf{int} mathbf{dom} f),那么(partial f(x))非空且闭。根据支撑超平面定理,我们知道,在((x, f(x)))处存在关于(mathbf{epi} f)的一个超平面,设(a in mathbb{R}^n, b in mathbb{R}),则对于任意的((z, t)in mathbf{epi} f)都有:
显然,((x, f(x)+epsilon))也符合条件,这意味着(ble0),以及:
[
a^T(z-x)+b(f(z) - f(x)) le 0
]
对所有(z)成立。
如果(b=0),那么(a=0),不构成超平面,即(b < 0)。
于是:
[
f(z) ge f(x) +-a^T/b(z-x)
]
即(-a/b in partial f(x))
性质
极值
(x^*)是凸函数(f(x))的最小值,当且仅当(f)在(x^*)处存在次梯度且
[
0 in partial f(x^*)
]
(f(x) ge f(x^*) Rightarrow 0 in partial f(x^*))
非负数乘 (alpha f(x))
(partial(alpha f) = alpha partial f, alpha ge 0)
和,积分,期望
(f = f_1+f_2ldots+f_n),(f_i,i=1,2,ldots,m)均为凸函数,那么:
[
partial f=partial f_1 +partial f_2 + ldots +partial f_n
]
(F(x)= int_Y f(x,y) dy), 固定(y), (f(x,y))为凸函数,那么:
[
partial F(x)=int_Y partial_x f(x,y) dy
]
[
f(z,y) ge f(x,y)+g^T(y)(z-x) \Rightarrow int_Yf(z,y)dy ge int_Yf(x,y)dy+int_Yg^T(y)dy(z-x)
]
不过需要注意的一点是,这里的等号都是对于特定的次梯度,我总感觉(f)的次梯度的集合不止于此,或许会稍微大一点?就是对于和来讲,下面这个式子成立吗?:
[
partial f={ g_1+g_2+ldots + g_n| g_1in partial f_1, ldots, g_nin partial f_n}
]
至少凸函数没问题吧,凸函数一定是连续函数,且左右导数存在,那么(g)的范围都是固定的。
仿射变换
(f(x))是凸函数,令(h(x)=f(Ax+b))则:
[
f(Az+b) ge f(Ax+b)+g^T(Az+b-Ax-b) \Rightarrow h(z) ge h(x)+ (A^Tg)^T(z-x) \Rightarrow partial h(x)=A^Tpartial f(Ax+b)
]
仿梯度
我们知道梯度有下面这些性质:
[
abla c = 0\nabla (varphi pm psi) =
abla varphi pm
abla psi \nabla(cvarphi) = c
abla varphi \nabla (frac{varphi}{psi})= frac{psi
abla varphi - varphi
abla psi}{psi^2} \nabla f(varphi) = f'(varphi)
abla varphi \]
我认为(注意是我认为!!!大概是是异想天开。)(f)为凸函数的时候,或者(f)为可微(这个时候是一定的)的时候,上面的性质也是存在的。当然,这只是针对某些次梯度。因为当(f)为凸函数的时候,(f)的左右导数都存在,那么:
[
k_+:=lim limits_{t
ightarrow 0^+} frac{f(x+te_k)-f(x)}{t}
]
那么(凸函数的性质)
[
f(x+te_k)-f(x) ge tk_+=(k_+e_k)^T(te_k), t>0
]
同理:
[
k_-:=lim limits_{t
ightarrow 0^-} frac{f(x+te_k)-f(x)}{t}
]
[
f(x+te_k)-f(x) ge tk_-=(k_-e_k)^T(te_k), t<0
]
而且(k_- le k_+)。
事实上,因为:
[
frac{f(x+te_k)-f(x)}{t} ge k_+ ge k_- ge frac{f(x)-f(x-te_k)}{t},t>0
]
所以,容易证明:
[
f(x+te_k) ge f(x) + (lambda_1k_+ + (1-lambda_1)k_-)e_k^Tte_k, 0 le lambda_1 le 1
]
容易验证(h(t) = f(x+tv))时关于(t)的凸函数,那么:
[
K_v^+ := lim limits_{t
ightarrow 0^+} frac{h(t)-h(0)}{t|v|}
]
同理
[
K_v^- := lim limits_{t
ightarrow 0^-} frac{h(t)-h(0)}{t|v|}
]
一样的分析,我们可以知道:
[
f(x+tv) ge f(x) + frac{(lambda K_v^+ + (1-lambda )K_v^-)}{|v|} v^Ttv, 0 le lambda le 1
]
不好意思,证到这里我证不下去了,我实在不知道结果该是什么。
混合函数
应用
Pointwise maximum
[
f(x)=max limits_{i=1,2,ldots,m} f_i(x)
]
其中(f_i,i=1,2,ldots,m)为凸函数。
(mathbf{Co}(cdot))大概是把里面的集合凸化(我的理解):
[
mathbf{Co}(mathcal{S})={ lambda g_1+(1-lambda) g_2| g_1,g_2in mathcal{S},lambda in [0,1]}
]
第一个例子,可微函数取最大:
我倒觉得蛮好理解的,因为(
abla_i f(x))和(
abla_j f(x))如果都是次梯度,那么根据次梯度的集合都是凸集可以知道(
abla_i f(x),
abla_j f(x))的凸组合也是次梯度。
第二个例子,(ell_1)范数:
我也觉得蛮好理解的。
上确界 supremum
[
f(x) = sup limits_{alpha in mathcal{A}} f_alpha (x)
]
(f_alpha (x))是次可微的。
例子,最大特征值问题:
Minimization over some variables
拟凸函数
以上是关于subgradients的主要内容,如果未能解决你的问题,请参考以下文章