Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:2510.01168

帮助 | 高级搜索

数学 > 优化与控制

arXiv:2510.01168 (math)
[提交于 2025年10月1日 (v1) ,最后修订 2025年10月4日 (此版本, v2)]

标题: 一种在局部Kurdyka-Łojasiewicz条件下用于约束非凸-非凹极小极大问题的一阶方法

标题: A first-order method for constrained nonconvex--nonconcave minimax problems under a local Kurdyka-Łojasiewicz condition

Authors:Zhaosong Lu, Xiangyuan Wang
摘要: 我们研究一类约束非凸-非凹极大极小问题,其中内部最大化涉及可能复杂的约束条件。 在假设一个新颖提升的极大极小问题的内部问题满足局部Kurdyka-{\L }ojasiewicz (KL) 条件的前提下,我们证明原始问题的最大函数具有局部Hölder光滑性。 我们还提出一种用于求解约束优化问题的顺序凸规划(SCP)方法,并在局部KL条件下建立了其收敛速率。 利用这些结果,我们为原始极大极小问题开发了一种不精确的邻近梯度方法,其中最大函数的不精确梯度通过将SCP方法应用于局部KL结构的子问题来计算。 最后,我们建立了所提出方法在计算原始极大极小问题的近似平稳点时的复杂度保证。
摘要: We study a class of constrained nonconvex--nonconcave minimax problems in which the inner maximization involves potentially complex constraints. Under the assumption that the inner problem of a novel lifted minimax problem satisfies a local Kurdyka-{\L}ojasiewicz (KL) condition, we show that the maximal function of the original problem enjoys a local H\"older smoothness property. We also propose a sequential convex programming (SCP) method for solving constrained optimization problems and establish its convergence rate under a local KL condition. Leveraging these results, we develop an inexact proximal gradient method for the original minimax problem, where the inexact gradient of the maximal function is computed via the SCP method applied to a locally KL-structured subproblem. Finally, we establish complexity guarantees for the proposed method in computing an approximate stationary point of the original minimax problem.
评论: 这篇论文需要修改
主题: 优化与控制 (math.OC) ; 机器学习 (cs.LG); 数值分析 (math.NA); 机器学习 (stat.ML)
MSC 类: 90C26, 90C30, 90C47, 90C99, 65K05
引用方式: arXiv:2510.01168 [math.OC]
  (或者 arXiv:2510.01168v2 [math.OC] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.01168
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Xiangyuan Wang [查看电子邮件]
[v1] 星期三, 2025 年 10 月 1 日 17:54:27 UTC (29 KB)
[v2] 星期六, 2025 年 10 月 4 日 13:35:01 UTC (1 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
查看许可
当前浏览上下文:
math.OC
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
cs
cs.LG
cs.NA
math
math.NA
stat
stat.ML

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号