Proximal Algorithms 3 Interpretation
Posted 馒头and花卷
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Proximal Algorithms 3 Interpretation相关的知识,希望对你有一定的参考价值。
目录
这一节,作者总结了一些关于proximal的一些直观解释
Moreau-Yosida regularization
内部卷积(infimal convolution):
\[
(f \: \Box \: g)(v)=\inf_x (f(x)+g(v-x))
\]
Moreau-Yosida envelope 或者 Moreau-Yosida regularization 为:
\[
M_{\lambda f}=\lambda f \: \Box \: (1/2)\|\cdot\|_2^2
\], 于是:
事实上,这就是,我们在上一节提到过的东西。就像在上一节一样,可以证明:
\[
M_f (x) = f(\mathbf{prox}(x)) + (1/2) \|x-\mathbf{prox}_f(x)\|_2^2
\]
以及:
\[
\nabla M_{\lambda_f}(x) = (1 / \lambda)(x- \mathbf{prox}_{\lambda f}(x))
\]
虽然上面的我不知道在\(f\)不可微的条件下怎么证明.
于是有与上一节同样的结果:
总结一下就是,近端算子,实际上就是最小化\(M_{\lambda f}\), 等价于\(\nabla M_{f^*}\),即:
\[
\mathbf{prox}_f(x) = \nabla M_{f^*} (x)
\]
这个,需要通过Moreau分解得到.
与次梯度的联系 \(\mathbf{prox}_{\lambda f} = (I + \lambda \partial f)^{-1}\)
上面的式子,有一个问题是,这个映射是单值函数吗(论文里也讲,用关系来讲更合适),因为\(\partial f\)的原因,不过,论文的意思好像是的,不过这并不影响证明:
改进的梯度路径
就像在第一节说的,和之前有关Moreau envelope表示里讲的:
\[
\mathbf{prox}_{\lambda f} (x) = x - \lambda \nabla M_{\lambda f}(x)
\]
实际上,\(\mathbf{prox}_{\lambda f}\)可以视为最小化Moreau envelope的一个迭代路径,其步长为\(\lambda\). 还有一些相似的解释.
假设\(f\)是二阶可微的,且\(\nabla^2 f(x) \succ0\)(表正定),当\(\lambda \rightarrow 0\):
\[
\mathbf{prox}_{\lambda f} (x) = (I + \lambda \nabla f)^{-1} (x) = x - \lambda \nabla f(x)+o(\lambda)
\]
这个的证明,我觉得是用到了变分学的知识:
\[
\delta(I+\lambda \nabla f)^{-1}|_{\lambda=0}=-\frac{\nabla f}{(I+\lambda \nabla f)^{-2}}|_{\lambda =0}= -\nabla f
\]
所以上面的是一阶距离的刻画.
我们先来看\(f\)的一阶泰勒近似:
其近端算子为:
感觉,实际上是为:\(\mathbf{prox}_{\lambda \hat{f}_v^{(1)}}\)
相应的,还有二阶近似:
这个是Levenberg-Marquardt update的牛顿方法,虽然我不知道这玩意儿是什么.
上面的证明都是容易的,直接更具定义便能导出.
信赖域问题
proximal还可以用信赖域问题来解释:
而普通的proximal问题:
约束条件变成了惩罚项, 论文还指出,通过指定不同的参数\(\rho\)和\(\lambda\),俩个问题能互相达到对方的解.
以上是关于Proximal Algorithms 3 Interpretation的主要内容,如果未能解决你的问题,请参考以下文章
近端策略优化算法(Proximal Policy Optimization Algorithms, PPO)
Proximal Algorithms 2 Properties
Proximal Gradient Descent-近端梯度下降