🔢 mathematics

Anderson acceleration of the proximal point method: the exact adaptive minimax, a spectral phase transition, and optimal safeguarding

यह शोध पत्र मैक्सिमल मोनोटोन इनक्लूजन्स के लिए एंडरसन-एक्सेलेरेटेड प्रॉक्सिमल पॉइंट मेथड्स की सटीक मिनिमैक्स कॉम्प्लेक्सिटी को एक इष्टतम फेजेर कर्नेल पॉलीनोमियल की पहचान करके, अभिसरण व्यवस्थाओं (convergence regimes) के बीच एक तीव्र स्पेक्ट्रल फेज ट्रांजिशन को अभिलक्षणिक बनाकर, और यह सिद्ध करके स्थापित करता है कि इष्टतम नॉनलीनियर सेफगार्डिंग के लिए प्रति इटरेशन दो ओरैकल इवैल्यूएशन आवश्यक और पर्याप्त हैं।

मूल लेखक: Zheng Jia, Yekini Shehu, Yonghong Yao

प्रकाशित 2026-07-28

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zheng Jia, Yekini Shehu, Yonghong Yao

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

द ग्रेट ऑप्टिमाइजेशन रेस: कदमों, शॉर्टकट और सेफ्टी नेट्स की एक कहानी

कल्पना कीजिए कि आप एक विशाल, धुंधली घाटी में सबसे निचले बिंदु को खोजने की कोशिश कर रहे हैं। आप तल को देख नहीं सकते, लेकिन आपके पास एक जादुई दिशा-सूचक यंत्र (कम्पास) है जो आपको बताता है कि आपके वर्तमान स्थान के सापेक्ष "नीचे" की दिशा कौन सी है। यह ऑप्टिमाइजेशन (अनुकूलन) नामक गणित के एक क्षेत्र का सार है, जहाँ कंप्यूटर समाधान की ओर छोटे, गणनात्मक कदम उठाकर जटिल समस्याओं को हल करने का प्रयास करते हैं। इसे करने का सबसे प्रसिद्ध और विश्वसनीय तरीका प्रॉक्सिमल पॉइंट मेथड (PPM) कहलाता है। इसे एक ऐसे पदयात्री के रूप में सोचें जो हर कदम पर सावधानी से जमीन की जांच करता है, एक विचारशील कदम उठाता है, और इसे दोहराता है। यह धीमा है, लेकिन यह कभी रास्ता नहीं भटकता; यह गारंटी देता है कि आप अंततः तल तक पहुँच जाएंगे, भले ही घाटी का आकार अजीब क्यों न हो।

हालाँकि, कभी-कभी आप वहाँ तेज़ी से पहुँचना चाहते हैं। आप चतुर होने की कोशिश कर सकते हैं, अपने पिछले कुछ कदमों को देखकर यह अनुमान लगाने की कोशिश कर सकते हैं कि तल कहाँ है और उस पैटर्न के आधार पर एक "शॉर्टकट" ले सकते हैं। इसे एंडर्सन एक्सेलरेशन (AA) कहा जाता है। यह एक ऐसे पदयात्री की तरह है जो अपने पिछले तीन पदचिह्नों को देखता है, उनके माध्यम से एक रेखा खींचता है, और आगे की ओर छलांग लगा देता है। वैज्ञानिक समुदाय का बड़ा सवाल यह रहा है: क्या यह शॉर्टकट वास्तव में सावधानीपूर्वक चलने वाले पदयात्री से बेहतर काम करता है, या यह आपको अधिक बार गिरा देता है? और यदि यह काम करता है, तो कब? और इसे सुनिश्चित करने के लिए कि आप खाई में न गिर जाएं, अतिरिक्त प्रयास (या "सुरक्षा जांच") की कितनी लागत आती है?

पेपर की बड़ी खोज: पूर्ण संतुलन

यह शोध पत्र, जिसे झेंग जिया, येकिनी शेहु और योंगहोंग याओ ने लिखा है, एक मास्टर कार्टोग्राफर (मानचित्रकार) की तरह कार्य करता है जिसने अंततः इस अनुकूलन घाटी का पूर्ण मानचित्र बना दिया है। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने पूर्ण सटीकता के साथ तीन ज्वलंत प्रश्नों का उत्तर देने के लिए कठोर गणितीय प्रमाणों का उपयोग किया।

1. गति की सीमा: हम वास्तव में कितनी तेज़ी से जा सकते हैं?
लेखकों ने पाया कि सबसे कठिन, सबसे भ्रमित करने वाले प्रकार की घाटियों (गणितीय रूप से "मैक्सिमल मोनोटोन इनक्लूजन" के रूप में ज्ञात) के लिए, एक सख्त गति सीमा होती है। आपकी शॉर्टकट कितनी भी चतुर क्यों न हो, आप कितना भी इतिहास देखें, या आप अपनी रणनीति को कितना भी अनुकूलित करें, आप एक विशिष्ट गति से आगे नहीं निकल सकते। यदि आप $K$ कदम लेते हैं, तो आप त्रुटि को $1/(K+1)$ के कारक से कम करने के लिए सबसे अच्छा जो कर सकते हैं, वही संभव है।

उन्होंने एक विशिष्ट, पेचीदा "मॉन्स्टर" घाटी (एक "एक्सट्रीमल इंस्टेंस") खोजी जहाँ सबसे स्मार्ट शॉर्टकट भी धीमे, सावधान पदयात्री को मात देने में विफल रहता है। इस सबसे खराब स्थिति में, चतुर शॉर्टकट (एंडर्सन एक्सेलरेशन) विफल हो जाता है और बिल्कुल वही बन जाता है जो धीमी, सावधान विधि है। यह पेपर सिद्ध करता है कि "जादुई" शॉर्टकट कोई मुफ्त उपहार नहीं देता है; सबसे कठिन समस्याओं पर, आप जो सबसे अच्छा कर सकते हैं वह आपके कदमों का एक सरल, गैर-अनुकूली औसत है, जिसे फिएर कर्नेल (या "एवरेज रिफ्लेक्शन") के रूप में जाना जाता है। यह यह समझने जैसा है कि एक पूरी तरह से फिसलन भरे आइस रिंक पर, तेज़ दौड़ने से आप सावधानी से चलने की तुलना में आगे बढ़ने में बेहतर मदद नहीं पा सकते।

2. स्विचिंग पॉइंट: शॉर्टकट वास्तव में कब काम करता है?
यहाँ रोमांचक हिस्सा है। पेपर ने एक "फेज़ ट्रांजिशन" (चरण संक्रमण) पाया, जो एक लाइट स्विच की तरह है। यदि घाटी में एक निश्चित "गैप" या "फ्लोर" है जो पेचीदा स्थानों को तल से दूर रखता है, तो शॉर्टकट खूबसूरती से काम करता है। विशेष रूप से, यदि समाधान से पेचीदा स्थानों की दूरी (स्पेक्ट्रल गैप, $s$ ) कदमों की संख्या के सापेक्ष पर्याप्त बड़ी है, तो शॉर्टकट सावधान पदयात्री से आगे निकल सकता है। इसकी गति लगभग $1/(K^2 s)$ हो जाती है, जो $s$ के चौड़े होने पर मानक $1/K$ दर की तुलना में काफी तेज़ है।

हालाँकि, यदि वह गैप बहुत छोटा है (लगभग $1/K$ से कम), तो शॉर्टकट एक दीवार से टकरा जाता है। पेपर दिखाता है कि "लॉगारिदम" (एक धीरे-बढ़ने वाली संख्या जो अक्सर इन समस्याओं में दिखाई देती है) एक मौलिक प्राकृतिक नियम नहीं है; यह केवल उस "मॉन्स्टर" घाटी के निर्माण का एक अवशेष है। यदि आप घाटी को सही "मास" वितरण (समाधान के पास वजन केंद्रित करना) के साथ बनाते हैं, तो शॉर्टकट तुरंत $1/(K+1)$ की कठिन दीवार से टकरा जाता है। पेपर सिद्ध करता है कि "मॉन्स्टर" घाटी ही वास्तविक सीमा है, और लॉगारिदम केवल एक भटकाव (रेड हेरिंग) है।

3. सेफ्टी नेट: सुरक्षित रहने की लागत क्या है?
वास्तविक दुनिया में, शॉर्टकट खतरनाक हो सकते हैं। यदि आप बहुत दूर छलांग लगाते हैं, तो आप समाधान को पूरी तरह से चूक सकते हैं। पेपर "सेफगार्डिंग" (सुरक्षात्मक उपाय) को संबोधित करता है—एक सुरक्षा जांच यह सुनिश्चित करने के लिए कि शॉर्टकट चीजों को बदतर न बना दे। उन्होंने एक आश्चर्यजनक नियम पाया:

सरल, रैखिक समस्याओं पर: यह गणितीय रूप से गारंटी दी गई है कि शॉर्टकट त्रुटि को कभी भी बदतर नहीं बनाएगा; अवशेष (residuals) स्वतः कम होते जाते हैं। इसलिए, किसी अतिरिक्त सुरक्षा जांच की आवश्यकता नहीं है।
जटिल, गैर-रैखिक समस्याओं पर: आपको शॉर्टकट लेने से पहले उसकी जांच करनी ही होगी। पेपर सिद्ध करता है कि सुरक्षा सुनिश्चित करने के लिए, आपको प्रति चरण ठीक दो अतिरिक्त जांच (या "ओरेकल इवैल्यूएशन") की आवश्यकता होती है। उन्होंने दिखाया कि आप इसे केवल एक जांच के साथ नहीं कर सकते; दो गणितीय न्यूनतम है। यह एक जोखिम भरी छलांग को सत्यापित करने के लिए आँखों की एक दूसरी जोड़ी की आवश्यकता के समान है। यदि आप केवल अपने पिछले कदमों के आधार पर सुरक्षा का अनुमान लगाने की कोशिश करते हैं, तो आप गणितीय रूप से गलत होने के लिए अभिशप्त हैं।

निष्कर्ष

पेपर इस इलाके के पूर्ण मानचित्र के साथ समाप्त होता है। यह हमें बताता है कि सबसे कठिन समस्याओं के लिए, "स्मार्ट" अनुकूली विधियाँ सरल, औसत विधि को मात नहीं दे सकतीं; सबसे खराब स्थिति में वे गणितीय रूप से समान हैं। लेकिन, यदि समस्या में एक विशिष्ट संरचना (स्पेक्ट्रम में एक "गैप") है, तो शॉर्टकट अविश्वसनीय रूप से शक्तिशाली हो सकता है।

लेखकों ने विशिष्ट प्रकार के कर्व्स (हॉल्डरियन ग्रोथ) पर इन विधियों के अभिसरण (कन्वर्जेंस) की गति के बारे में कुछ पिछली गलतफहमियों को भी सुधारा है, जो घाटी के आकार के आधार पर गति का एक सटीक "तीन-तरफा विभाजन" प्रदान करता है। अंत में, उन्होंने कंप्यूटर सिमुलेशन चलाए जो उनके गणितीय भविष्यवाणियों से पूरी तरह मेल खाते थे, यहाँ तक कि कंप्यूटर की अपनी मेमोरी की सूक्ष्म त्रुटियों तक।

संक्षेप में, यह पेपर हमें बताता है कि जबकि हम चतुर हो सकते हैं, ब्रह्मांड के पास इन समस्याओं को हल करने की एक कठिन सीमा है। कभी-कभी, सबसे अच्छी रणनीति धैर्य रखना और अपने कदमों का औसत निकालना होता है, और कभी-कभी, सही सुरक्षा जांच के साथ, हम दौड़ सकते हैं। लेकिन अब हम जानते हैं कि कब क्या करना है, और सुरक्षित रहने के लिए इसकी लागत क्या है।

तकनीकी सारांश: प्रॉक्सिमल पॉइंट मेथड का एंडरसन एक्सेलरेशन (Anderson Acceleration of the Proximal Point Method)

समस्या विवरण (Problem Statement)
यह शोध पत्र मैक्सिमल मोनोटोन इनक्लूजन $0 \in M(x)$ पर लागू प्रॉक्सिमल पॉइंट मेथड (PPM) के लिए रेसिडुअल-पॉलीनोमियल एक्सेलरेशन की सीमाओं की जांच करता है। मानक PPM इटरेशन, $y_{k+1} = (I + M)^{-1}y_k$ , एक टाइट फिक्स्ड-पॉइंट रेसिडुअल दर $\Theta(d_0/\sqrt{k})$ प्राप्त करता है, जहाँ $d_0$ समाधान सेट से प्रारंभिक दूरी है। जबकि एंडरसन एक्सेलरेशन (AA) और अन्य एडेप्टिव स्कीम्स (जैसे कि किम का APPM) कुछ समस्याओं पर अनुभवजन्य रूप से सफल हैं, इस बात की सैद्धांतिक समझ अधूरी रही है कि वे $\Theta(1/\sqrt{k})$ दर में कब और कितना सुधार कर सकते हैं। विशेष रूप से, यह शोध पत्र तीन मौलिक प्रश्नों को संबोधित करता है:

किसी भी विधि की सटीक मिनिमैक्स कॉम्प्लेक्सिटी क्या है जो रेसिवोलेंट आउटपुट्स के अफ़ाइन कॉम्बिनेशन (affine combinations) बनाती है (किसी भी मेमोरी, एडेप्टिविटी या सेफगार्डिंग के साथ)?
रेसिवोलेंट के किन स्पेक्ट्रल स्ट्रक्चर के लिए ऐसा सुधार संभव है?
नॉनलीनियर सेटिंग्स में "सेफगार्डिंग" (गैर-बढ़ते रेसिडुअल्स सुनिश्चित करना) की सटीक लागत क्या है?

कार्यप्रणाली (Methodology)
लेखक $\mathcal{A}_\infty$ क्लास के रेसिडुअल-पॉलीनोमियल मेथड्स का विश्लेषण करते हैं, जहाँ इटरेट $y_{k+1}$ पिछले रेसिवोलेंट आउटपुट्स का एक अफ़ाइन कॉम्बिनेशन है, जिसके गुणांक (coefficients) देखे गए इतिहास पर अनिश्चित रूप से निर्भर करते हैं।

पॉलीनोमियल रिडक्शन: लीनियर मैक्सिमल मोनोटोन ऑपरेटर्स के लिए, लेखक स्थापित करते हैं कि $\mathcal{A}_\infty$ में कोई भी विधि प्रारंभिक बिंदु पर लागू एक पॉलीनोमियल $Q_k(L)$ के अनुरूप होती है, जहाँ $L = (I+M)^{-1}$ , $Q_k(1)=1$ , और $\deg(Q_k) \le k$ है। यह एडेप्टिव लोअर बाउंड समस्या को एक पॉलीनोमियल एप्रोक्सिमेशन समस्या में बदल देता है।
एक्सट्रीमल इंस्टेंस कंस्ट्रक्शन: शोध पत्र विशिष्ट स्पेक्ट्रल मेजर्स के साथ स्पष्ट स्क्यू-एडजॉइंट ऑपरेटर्स (रोटेशन इन $\mathbb{R}^{2n}$ ) का निर्माण करता है जो वर्स्ट-केस इंस्टेंस के रूप में कार्य करते हैं। ये इंस्टेंस किसी भी डिग्री- $K$ पॉलीनोमियल के लिए रेसिडुअल को अधिकतम करने के लिए रूट्स ऑफ यूनिटी और सावधानीपूर्वक चुने गए मास डिस्ट्रीब्यूशन (वेट्स) का उपयोग करते हैं।
ड्युअलिटी और क्रिस्टोफेल फंक्शन्स: लोअर बाउंड प्रमाण यूनिट सर्कल पर चेबिशेव एप्रोक्सिमेशन समस्या और रेसिडुअल मिनिमैक्स समस्या के बीच एक ड्युअलिटी पर निर्भर करते हैं। लेखक सटीक इंस्टेंस मिनिमैक्स मानों की गणना करने के लिए क्रिस्टोफेल फंक्शन्स और लैग्रेंज आइडेंटिटीज का उपयोग करते हैं।
सेफगार्डिंग विश्लेषण: यह पेपर नॉनलीनियर सेटिंग्स में कन्वर्जेंस को प्रमाणित करने के लिए अतिरिक्त ओरकल कॉल्स की आवश्यकता का विश्लेषण करता है, यह सिद्ध करते हुए कि कैंडिडेट रेसिडुअल का मूल्यांकन किए बिना हिस्ट्री-बेस्ड सर्टिफिकेशन असंभव है।

मुख्य योगदान और परिणाम (Key Contributions and Results)

1. सटीक एडेप्टिव मिनिमैक्स कॉम्प्लेक्सिटी
शोध पत्र स्थापित करता है कि $K$ रेसिवोलेंट इवैल्यूएशन के बाद पूर्ण एडेप्टिव क्लास $\mathcal{A}_\infty$ (और नॉन-एडेप्टिव सबक्लास) के लिए मिनिमैक्स रेसिडुअल ठीक यह है:
$\sup_{M} \inf_{\text{methods}} \|r(y_K)\| = \frac{d_0}{K+1}$

अपर बाउंड: इसे एवरेज्ड-रिफ्लेक्शन एस्टिमेटर $\hat{y}_K = \frac{1}{K+1}\sum_{j=0}^K (2J-I)^j y_0$ द्वारा प्राप्त किया जाता है। यह एस्टिमेटर एक टेलोस्कोपिंग आइडेंटिटी के माध्यम से प्रत्येक मैक्सिमल मोनोटोन ऑपरेटर के लिए $\|r(\hat{y}_K) \le d_0/(K+1)$ प्राप्त करता है।
लोअर बाउंड: लेखक एक स्पष्ट "एक्सट्रीमल इंस्टेंस" (एक स्क्यू-एडजॉइंट ऑपरेटर जिसके आइगेनवैल्यूज़ $u^{K+1} = -1$ के रूट्स पर हैं और मास $\csc^2$ के समानुपाती हैं) का निर्माण करते हैं। इस इंस्टेंस पर, $\mathcal{A}_\infty$ में मौजूद प्रत्येक विधि (एडेप्टिव या नहीं) $\|r(y_K)\| \ge d_0/(K+1)$ को संतुष्ट करती है।
निहितार्थ: लीनियर वर्स्ट-केस इंस्टेंसेस पर, एडेप्टिविटी और मेमोरी कोई लाभ नहीं देते हैं; इष्टतम पॉलीनोमियल अद्वितीय रूप से फेयरर कर्नेल (Fejér kernel) है। यह पिछले बर्नस्टीन-टाइप बाउंड्स द्वारा छोड़े गए फैक्टर-ऑफ-टू गैप को बंद करता है और रोटेशन-स्पेक्ट्रम इंस्टेंसेस में पाए जाने वाले लॉगरिदमिक स्लैक को हटा देता है।

2. स्पेक्ट्रल फेज ट्रांजिशन
पेपर स्पेक्ट्रल गैप $s = \text{dist}(1, \sigma(L))$ के आधार पर एक शार्प फेज ट्रांजिशन की पहचान करता है:

क्रिटिकल फ्लोर ( $s \asymp 1/K$ ): जब स्पेक्ट्रम फिक्स्ड पॉइंट के पास सघन होता है (विशेष रूप से $s \le \sin(\pi/(2K+2))$ ), तो बैरियर ठीक $1/(K+1)$ है। यूनिफॉर्म रेट से अधिक कोई एक्सेलरेशन संभव नहीं है।
एस्केप रिजीम ( $sK \to \infty$ ): यदि स्पेक्ट्रम 1 से एक दूरी $s$ बनाए रखता है ताकि $sK \to \infty$ हो, तो एक्सेलरेशन संभव है। एक जैक्सन-कर्नेल पॉलीनोमियल $\|r(y_K)\| = O(d_0/(K^2 s))$ प्राप्त करता है, जो $1/K$ एनवेलप को मात देता है।
लॉगरिदमिक आर्टिफैक्ट: पेपर स्पष्ट करता है कि रोटेशन स्पेक्ट्रा के पिछले विश्लेषणों में दिखने वाले लॉगरिदमिक फैक्टर्स ( $\log K$ ) सबक्रिटिकल मास डिस्ट्रीब्यूशन ( $\csc$ ) के आर्टिफैक्ट हैं, न कि अंतर्निहित सीमाएं। वास्तविक एक्सट्रीमल मेजर में एक क्रिटिकल एक्सपोनेंट ( $\csc^2$ ) है जो फिक्स्ड पॉइंट के पास मास को केंद्रित करता है, जिससे लॉग फैक्टर समाप्त हो जाता है।

3. सेफगार्डिंग और नॉनलीनियर प्रॉब्लम्स

लीनियर सेफ्टी: लीनियर समस्याओं पर, AA-PPM रेसिडुअल्स स्वतः कम होते हैं; किसी सेफगार्डिंग की आवश्यकता नहीं है।
नॉनलीनियर नेसेसिटी: नॉनलीनियर समस्याओं के लिए, पेपर सिद्ध करता है कि केवल विंडो हिस्ट्री से कोई सर्टिफिकेट नहीं बनाया जा सकता है। एक रेट को गारंटी देने के लिए, कैंडिडेट रेसिडुअल का मूल्यांकन करना आवश्यक है।
इष्टतम लागत: लेखक एक सर्टिफाइड स्कीम का प्रस्ताव करते हैं जिसमें प्रति इटरेशन ठीक दो रेसिवोलेंट इवैल्यूएशन की आवश्यकता होती है (एक सर्टिफाइड चेन के लिए, एक प्रोब के लिए)। वे सिद्ध करते हैं कि यह फैक्टर ऑफ टू इष्टतम है; केवल इतिहास पर आधारित कोई भी नियम रेट को प्रमाणित नहीं कर सकता।

4. स्ट्रक्चर्ड प्रॉब्लम्स और ग्रोथ कंडीशंस

अफ़ाइन ऑपरेटर्स: फुल-मेमोरी AA सीमित स्टेप्स में समाप्त होता है ( $k \le \nu + 1$ , जहाँ $\nu$ अलग-अलग आइगेनवैल्यूज की संख्या है)।
स्ट्रॉन्ग मोनोटोनिसिटी: लीनियर कन्वर्जेंस रेट्स सुरक्षित रहते हैं।
होल्डरियन ग्रोथ: पेपर ग्रोथ एक्सपोनेंट $q$ $q$ के लिए एक सही त्रिक (trichotomy) स्थापित करता है:
- $q < 2$ : ऑर्डर $1/(q-1)$ के साथ सुपरलीनियर कन्वर्जेंस।
- $q = 2$ : लीनियर कन्वर्जेंस।
- $q > 2$ : सबलीनियर कन्वर्जेंस जिसके रेट्स $d_k = O(k^{-1/(q-2)})$ और $\|r_k\| = O(k^{-(q-1)/(q-2)})$ हैं।

महत्व और दावे (Significance and Claims)
पेपर दावा करता है कि यह मैक्सिमल मोनोटोन इनक्लूजन पर एंडरसन एक्सेलरेशन और रेसिडुअल-पॉलीनोमियल मेथड्स के लिए पहला सटीक लक्षण वर्णन (exact characterization) प्रदान करता है।

यह पिछले बाउंड्स में मौजूद "फैक्टर-टू" अस्पष्टता को हल करता है, यह दिखाते हुए कि सटीक मान $d_0/(K+1)$ है।
यह प्रदर्शित करता है कि सबसे कठिन लीनियर इंस्टेंसेस पर, एडेप्टिविटी कुछ भी नहीं देती; इष्टतम रणनीति नॉन-एडेप्टिव एवरेजड रिफ्लेक्शन है।
यह सटीक रूप से उन स्पेक्ट्रल स्थितियों को रेखांकित करता है (फेज ट्रांजिशन $s \asymp 1/K$ पर) जिनके तहत एक्सेलरेशन सैद्धांतिक रूप से संभव है।
यह सेफगार्डिंग की लागत को तय करता है, यह सिद्ध करते हुए कि नॉनलीनियर सेटिंग्स में सर्टिफिकेशन के लिए प्रति स्टेप दो ओरकल इवैल्यूएशन आवश्यक और पर्याप्त हैं।

लेखक जोर देते हैं कि ये परिणाम सटीक स्पेक्ट्रल विश्लेषण और क्रिस्टोफेल-फंक्शन ड्युअलिटी से प्राप्त किए गए हैं, जिसे मशीन प्रिसिजन तक उनके संख्यात्मक प्रयोगों द्वारा समर्थित किया गया है। यह कार्य स्टोकैस्टिक सेटिंग्स या शार्प कांस्टेंट्स वाले नॉन-नॉर्मल ऑपरेटर्स को हल करने का दावा नहीं करता है, जो कि ओपन प्रॉब्लम्स के रूप में पहचाने गए हैं।

द ग्रेट ऑप्टिमाइजेशन रेस: कदमों, शॉर्टकट और सेफ्टी नेट्स की एक कहानी

पेपर की बड़ी खोज: पूर्ण संतुलन

निष्कर्ष

तकनीकी सारांश: प्रॉक्सिमल पॉइंट मेथड का एंडरसन एक्सेलरेशन (Anderson Acceleration of the Proximal Point Method)

इसी तरह के और पेपर