Optimisasi Terkendala

Kalkulus multivariabel dari prinsip pertama

Sering Anda tidak ingin titik terendah di mana-mana; Anda ingin titik terendah tunduk pada kendala. Minimalkan loss sambil menjaga norm bobot terbatas; maksimalkan margin sambil titik tetap terklasifikasi benar. Pengganda Lagrange adalah alat standar untuk optimisasi sepanjang kurva kendala.

Geometri yang dipegang: di optimum terkendala, kurva level f menyinggung kendala g(x) = 0. Jika mereka berpotongan bukan menyentuh, Anda bisa meluncur sepanjang kendala ke nilai lebih baik. Ketangenan berarti dua gradien menunjuk sepanjang garis yang sama, jadi sejajar:

Skalar λ (pengganda Lagrange) adalah faktor proporsionalitas. Mengemas kedua syarat menjadi satu objek member Lagrangian L = f − λg; menyetel ∇L = 0 memulihkan persis persamaan di atas.

Di mana ini berlaku dalam MLOptimisasi terkendala ada di mana-mana di ML. Support vector machine memaksimalkan margin tunduk pada kendala klasifikasi, dan masalah dualnya dibangun dari pengganda Lagrange (via syarat KKT, ekstensi yang menangani ketidaksamaan). Norm bobot terkendala, trust region di RL, dan metode gradien terproyeksi semua menelusuri kembali ke '∇f sejajar ∇g'. Pengganda λ adalah hal yang sama dengan bobot…
▶ Optimisasi Terkendala
← KekonveksanTaylor Multivariabel →