[笔记]FTRL与Online Optimization

Posted 笨兔勿应

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[笔记]FTRL与Online Optimization相关的知识,希望对你有一定的参考价值。

1. 背景介绍

最优化求解问题可能是我们在工作中遇到的最多的一类问题了:从已有的数据中提炼出最适合的模型参数,从而对未知的数据进行预测。当我们面对高维高数据量的场景时,常见的批量处理的方式已经显得力不从心,需要有在线处理的方法来解决此类问题。
在CTR预估中,经常会用到经典的逻辑回归(LR),而对LR的各维度参数进行估计的时候会用到最优化算法,常见的比如梯度下降(Gradient Descent),牛顿法等等,这些方法都属于批量处理算法(Batch),当面对高维高数据量的场景时就显得有些笨重,因为在每次迭代中都需要对所有样本,所有维度进行计算,这个计算量是相当大的。所以,就需要引入在线最优化求解方法了,同时,在线最优化算法考虑最多的是计算得到的模型的稀疏性。目前所知相对最好的在线最优化算法是FTRL。而至于FTRL的由来,则是与其它几个算法(如FOBOS,RDA等)有关,所以这篇博客首先介绍一下FTRL及其相关的几个算法的来龙去脉和联系,然后再针对FTRL算法的具体实现问题进行探讨。
 

2. L1正则化法

L1正则化法很简单,在GD,SGD,OGD中都会用到,其对权重的更新方式如下:

但是,在线计算的每次迭代过程中,仅仅靠几个float类型的数相加,是很难得到0的,所以说很难得到稀疏解。

 

3. 简单截断法

为了得到稀疏的特征权重

以上是关于[笔记]FTRL与Online Optimization的主要内容,如果未能解决你的问题,请参考以下文章

Online learning系列:从RDAFOBOS到FTRL

FTRL(Follow The Regularized Leader)学习总结

Error: webpack.optimize.UglifyJsPlugin has been removed, please use config.optimizat

广告点击率预测(CTR) —— 在线学习算法FTRL的应用

Online Continual Learning with Maximally Interfered Retrieval---阅读笔记

Online Object Tracking: A Benchmark 论文笔记