[机器学习必知必会]凸优化

定义

凸优化问题（OPT，convex optimization problem）指定义在凸集中的凸函数最优化的问题。尽管凸优化的条件比较苛刻，但仍然在机器学习领域有十分广泛的应用。

凸优化问题的优势

凸优化问题的局部最优解就是全局最优解
很多非凸问题都可以被等价转化为凸优化问题或者被近似为凸优化问题（例如拉格朗日对偶问题）
凸优化问题的研究较为成熟，当一个具体被归为一个凸优化问题，基本可以确定该问题是可被求解的

相关数学概念

1. 凸集

1.1 定义：

$C$ 是凸集，如果对于任意的 $x,y\in C$ 和任意的 $\theta \in \mathbb{R}$ 满足 $0\leq \theta \leq 1$ 时， $\theta x + (1-\theta)y \in C$ 恒成立

1.2 几何意义：

直观来说，任取一个集合中的两点练成一条线段，如果这条线段完全落在该集合中，那么这个集合就是凸集。

凸集的几何意义

2. 凸函数

2.1定义：

定义在 $\mathbb{R}^n \rightarrow \mathbb{R}$ 上的函数 $f$ 是凸函数，如果它的定义域 $\mathbb{D}(f)$ 是一个凸集且对任意的 $x,y\in \mathbb{D}$ 和 $0\leq \theta \leq 1$ , $f(\theta x +(1-\theta y)) \leq \theta f(x) + (1-\theta)f(y)$ 恒成立

2.2几何意义：

凸函数几何意义

2.3凸函数的一阶充要条件：

假设定义在 $\mathbb{R}^n \rightarrow \mathbb{R}$ 上的函数 $f$ 可微（即对于所有 $x\in \mathbb{D}(f)$ ，梯度 $\triangledown f(x)$ 均存在）。则函数 $f$ 是凸函数当且仅当函数定义域 $\mathbb{D}(f)$ 是一个凸集，且对于所有 $x,y\in \mathbb{D}(f)$ 均满足：
$f(y) \geq f(x)+\triangledown f(x)^T(y-x)$

一阶充要条件从几何意义上讲，即定义域内所有函数值都大于等于该点的一阶近似。

凸函数一阶充要条件的几何意义

2.4 凸函数的二阶充要条件：

记函数的一阶导数和二阶导数分别为 $g$ 和 $H$ ：
$g=\triangledown f=\begin{bmatrix} \frac{\partial f}{\partial x_1}\\ \frac{\partial f}{\partial x_2}\\ \vdots \\ \frac{\partial f}{\partial x_n} \end{bmatrix} \quad H=\triangledown^2f= \begin{bmatrix} \frac{\partial^2f}{\partial x_1^2} & \frac{\partial^2f}{\partial x_1 \partial x_2} & \cdots & \frac{\partial^2f}{\partial x_1 \partial x_n}\\ \frac{\partial^2f}{\partial x_2 \partial x_1} & \frac{\partial^2f}{\partial x_2^2} & \cdots & \frac{\partial^2f}{\partial x_2 \partial x_n}\\ \vdots & \vdots & \ddots & \vdots\\ \frac{\partial^2f}{\partial x_n \partial x_1} & \frac{\partial^2f}{\partial x_n \partial x_2} & \cdots & \frac{\partial^2f}{\partial x_n^2} \end{bmatrix}$
假设定义在 $\mathbb{R}^n \rightarrow \mathbb{R}$ 上的函数 $f$ 二阶可微（即对于所有 $x\in \mathbb{D}(f)$ ，海森矩阵 $\triangledown^2 f(x)$ 均存在）。则函数 $f$ 是凸函数当且仅当函数定义域 $\mathbb{D}(f)$ 是一个凸集，且对于所有 $x\in \mathbb{D}(f)$ 均满足：
$\triangledown^2f(x) \succeq 0$

注意：这里的 $\succeq$ 表示的是半正定。

3. 正定矩阵

3.1 从二次型出发理解正定矩阵

正定矩阵的概念是从正定二次型引入的，对称矩阵 $A$ 为正定的充要条件即该矩阵的特征值全为正数。

为方便理解正定/半正定矩阵，我们引入二次型 $f(x)=x^TAx$ ，对于含有 $n$ 个变量的二次齐次函数，我们可以一般化地写为：
$f(x_1,x_2,...,x_n)=a_{11}x_1^2 + a_{22}x_2^2+...+a_{nn}x_n^2+2a_{12}x_1x_2+...+2a_{n-1,n}x_{n-1}x_{n}$
$f(x_1,x_2,...,x_n)=\sum_{i=1}^{n}a_{ii}x_i^2 + 2\sum_{i=1}^{n}\sum_{j=1}^{n} a_{ij}x_ix_j$

同时，对于所有的二次齐次式我们都可以写成矩阵形式：
$f(x_1,x_2,...,x_n) = x^TAx$
如果对任意的 $x\neq 0$ 均有 $f(x) > 0$ ，则称 $f(x)$ 为正定二次型，同时称 $A$ 为正定矩阵。

因为对于任意的二次型，我们都能将其写为矩阵形式，且矩阵 $A$ 的形式为：
$\begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{bmatrix}$
因此二次型矩阵和对称矩阵是一一对应的关系。

3.2 从几何意义理解正定二次型

对于最简单的一元二次函数 $f(x)=x^2$ ，当 $x\neq 0$ 时 $f(x) > 0$ 恒成立。即一元正定二次型对应的图像是开口向上，顶点在原点的抛物线，同理二元正定二次型 $f(x,y) = x^2 + y^2$ 对应的图像是开口向上，顶点在原点的抛物面。

二元正定二次型图像

扩展到 $n$ 元正定二次型的图像也对应着一个抛物线，保证当自变量取值非零向量时，对应的函数值大于0恒成立。

3.3 半正定矩阵的图像

同样我们可以给出二元半正定二次型的图像，即某个自变量的特征值为0从而保证当自变量取值为非零向量时，对应的函数值大于等于0恒成立。

二元半正定二次型图像

凸优化问题

1. 定义：

$\begin{aligned} \min &\quad f(x) \\ s.t. &\quad g_i(x) \leq 0, i=1,2,...,m \\ &\quad h_j(x) = 0, j = 1,2,...,n \end{aligned}$
当 $f(x)$ 和 $g_i(x)$ 均为凸函数，而 $h_j(x)$ 均为仿射函数时, 上述的优化问题即凸优化问题。

2. 常见的凸优化问题

2.1 线性规划（LP, Linear Program）

$\begin{aligned} \min &\quad c^Tx+d \\ s.t. &\quad G(x) \preceq h \\ &\quad A(x) = b \end{aligned}$
其中目标函数和不等式约束都是仿射函数，且 $\preceq$ 表示按元素小于等于。

2.2 二次规划（QP, Quadratic Program）

$\begin{aligned} \min &\quad \frac{1}{2}x^TPx+c^Tx+d \\ s.t. &\quad G(x) \preceq h \\ &\quad A(x) = b \end{aligned}$
其中目标函数为凸二次型，不等式约束为仿射函数。

2.3 二次约束的二次规划（QCCP, Quadratically Contrained Quaratic Program）

$\begin{aligned} \min &\quad \frac{1}{2}x^TPx+c^Tx+d \\ s.t. &\quad \frac{1}{2}x^TQ_ix + r_ix + s_i \leq 0, i=1,2,....m \\ &\quad A(x) = b \end{aligned}$
其中目标函数和不等式约束都是凸二次型。

2.4 半正定规划（SDP, Semidefinite Program）

$\begin{aligned} \min &\quad tr(CX) \\ s.t. &\quad tr(A_iX)=b_i, i=1,2,....p \\ &\quad X \succeq 0 \end{aligned}$
其中需要最优化的变量 $X$ 是一个对称的半正定矩阵，且 $C, A_1,...,A_p$ 为对阵矩阵。

3. 凸优化问题的一般求解过程

由于凸优化问题具有局部最优解即全局最优解的优良特性，因此求解过程可以简化为：找到一个点列使得目标函数值持续减少，直到触发停止条件或达到一个最小值。

设 $x_k$ 为第 $k$ 次迭代的值， $d_k$ 为第 $k$ 次搜索方向， $\alpha_k$ 为第 $k$ 次迭代的步长，则第 $k$ 次迭代公式为：

$x_{k+1}=x_k+\alpha_k d_k$

其中第 $k$ 次的搜索方向满足：

$\triangledown f(x_k)^Td_k < 0$
$f(x_{k+1}) = f(x_k+\alpha_k d_k) <f(x_k)$

Reference

[1] https://www.jiqizhixin.com/articles/2019-03-05-8
[2] https://www.zhihu.com/question/38902714/answer/195435181
[3] https://www.jianshu.com/p/62539b0316e2
[4] plot: matplotlib.pyplot
[5] http://cs229.stanford.edu/section/cs229-cvxopt.pdf

最后编辑于：2019.10.07 00:07:54

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 159,569评论 4赞 363
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 67,499评论 1赞 294
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 109,271评论 0赞 244
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 44,087评论 0赞 209
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 52,474评论 3赞 287
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 40,670评论 1赞 222
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 31,911评论 2赞 313
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 30,636评论 0赞 202
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 34,397评论 1赞 246
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 30,607评论 2赞 246
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 32,093评论 1赞 261
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 28,418评论 2赞 254
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 33,074评论 3赞 237
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 26,092评论 0赞 8
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 26,865评论 0赞 196
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 35,726评论 2赞 276
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 35,627评论 2赞 270