arXiv cs.LG（学术论文）
60
推荐理由：该工作从理论上攻克了下层为极小极大结构这一长期难点，提出的罚函数框架简洁优雅，且对凸约束问题实现了复杂度数量级改进，将推动智能体对抗训练、多任务学习等领域的实际算法设计。
全部 AI 动态
AI 相关资讯全量信息流
5月11日
11:44
本文研究一类上下层均为极小极大结构的双层优化问题，提出了基于罚函数的一阶方法，无需下层问题满足强凸性假设。在确定性环境下，该方法以Õ(ε⁻⁴)的复杂度找到ε-KKT点；对于凸约束下层最小化问题（通过拉格朗日对偶转化），复杂度从现有Õ(ε⁻⁷)提升至Õ(ε⁻⁴）。在随机梯度场景下，方法以Õ(ε⁻⁹)的复杂度找到近似ε-KKT点。这一工作填补了双层优化与极小极大优化交叉领域的空白，为对抗训练、元学习等应用提供更高效的理论工具。