凸优化中strongly convex和L-smooth有什么应用？ - 知乎 L -smooth中的 L ，和 m -strongly convex中的 m 这一对CP，如果函数是二次可微的，可以认为它们就等同于函数 Hessian矩阵 的最大和最小奇异值的上界和下界，也就可以被看作梯度的最大变化速度和最小变化速度。
中科大凸优化 知识点笔记 - 知乎 本课程整理自中国科学技术大学2011年课程《最优化理论》， 主讲人：凌青老师 cse sysu edu cn content 课程主要教材 Boyd S , Vandenberghe L Convex O…
如何理解SCA（successive convex approximation）方法? - 知乎 简单的说一下三次单词的含义： successive: 连续的含义，就是通过不断的迭代去完成的。 convex: 就是说在迭代的过程中采用的是凸函数来代替非凸函数。 approximation: 怎么去采用凸函数来代替非凸函数呢，这就需要去近似。一般而言需要包含两点，1 一致性（凸函数与非凸函数的梯度在当前 x t 处是
为什么核范数能凸近似矩阵的秩？为什么核范数是凸的？ - 知乎 其实矩阵的nuclear norm是rank的convex relaxation可以看作是上面的推论。 说一下idea，一个m*n的矩阵 M ，有奇异值分解（SVD） M = U \Sigma V^T 。
非凸优化（Non-convex optimization）领域有什么起到基石作用，极其重要的论文呢？ - 知乎 测地凸的概念由来已久，可以参考大几何学家Gromov等人在1970s总结的一些结论 [1] [2] [3]，凸优化的概念也发展了大几十年，这个不必多言， Stephen Boyd 的Convex Optimization [4] 等书都是经典，但是测地凸+凸优化来解决非凸优化问题的发展历史并不长，1991年有一篇总结较为全面的文章【Geodesic convexity in