Date/heure
Date(s) - 10 octobre 2014

Catégories Pas de Catégories

$Proximal\; methods\; for\; convex\; minimization\; of\; ?-divergences\; by\; M.\; Gueche\backslash n\backslash n?-divergences\; introduced\; by\; Csiszar\; in\; 1963\; constitutes\; a\; useful\; class\; of\; similarity\; measures,\; especially\; in\; information\; theory.\; These\; divergences\; correspond\; to\; multivariate\; functions,\; which\; are\; not\; separable\; sums\; of\; functions\; of\; one\; real\; variable.\; We\; investigate\; their\; use\; as\; cost\; functions\; in\; possibly\; nonsmooth\; large\; dimensional\; convex\; optimization\; problems\; like\; those\; encountered\; in\; imaging\; and\; machine\; learn-\; ing.\; After\; showing\; how\; to\; compute\; the\; corresponding\; proximity\; operators\; in\; a\; simple\; manner,\; we\; propose\; novel\; primal-dual\; methods,\; derived\; from\; the\; theory\; of\; monotone\; operators,\; leading\; to\; efficient\; proximal\; algorithms.\; The\; flexibility\; of\; the\; proposed\; approaches\; stems\; from\; the\; fact\; that\; the\; divergences\; may\; be\; composed\; with\; arbitrary\; linear\; operators.[$