محققان در دستاورد جدید علمی خود موفق شدند پیچیدگی زمانی «Dikin walk» را برای نمونهبرداری از پلیتاپها بهبود ببخشند. این روش که الهامگرفته از روشهای «نقطه-درونی» (Interior-point methods) در بهینهسازی محدب است، حالا با استفاده از متریک «Lee-Sidford»، به نرخ همگرایی $d^{2.25}$ رسیده است.
این پیشرفت فنی، گامی مهم به سوی اثبات حد نهایی $d^2$ محسوب میشود و میتواند منجر به الگوریتمهای سریعتر و کارآمدتر در حوزههای بهینهسازی و یادگیری ماشین شود.
سازی
منبع: arXiv Machine Learning