Accelerating conditional gradient methods - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Theses Year : 2020

Accelerating conditional gradient methods

Accélération de méthodes de gradient conditionnel

Abstract

The Frank-Wolfe algorithms, a.k.a. conditional gradient algorithms, solve constrained optimization problems. They break down a non-linear problem into a series of linear minimization on the constraint set. This contributes to their recent revival in many applied domains, in particular those involving large-scale optimization problems. In this dissertation, we design or analyze versions of the Frank-Wolfe algorithms. We notably show that, contrary to other types of algorithms, this family is adaptive to a broad spectrum of structural assumptions, without the need to know and specify the parameters controlling these hypotheses.
Les algorithmes de Frank-Wolfe sont des méthodes d’optimisation de problèmes sous contraintes. Elles décomposent un problème non-linéaire en une série de problèmes linéaires. Cela en fait des méthodes de choix pour l’optimisation en grande dimension et notamment explique leur utilisation dans de nombreux domaines appliqués. Ici nous proposons de nouveaux algorithmes de Frank-Wolfe qui convergent plus rapidement vers la solution du problème d’optimisation sous certaines hypothèses structurelles assez génériques. Nous montrons en particulier, que contrairement à d’autres types d’algorithmes, cette famille s’adapte à ces hypothèses sans avoir à spécifier les paramètres qui les contrôlent.
Fichier principal
Vignette du fichier
Kerdreux-2020-These.pdf (4.23 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03052834 , version 1 (10-12-2020)

Identifiers

  • HAL Id : tel-03052834 , version 1

Cite

Thomas Kerdreux. Accelerating conditional gradient methods. Optimization and Control [math.OC]. Université Paris sciences et lettres, 2020. English. ⟨NNT : 2020UPSLE002⟩. ⟨tel-03052834⟩
339 View
577 Download

Share

Gmail Facebook Twitter LinkedIn More