太阳成集团tyc234cc主页杨壮副教授撰写的论文“Improved Powered Stochastic Optimization Algorithms for Large-Scale Machine Learning”在机器学习顶级期刊Journal of Machine Learning Research（JMLR）上在线发表，杨壮副教授为该论文的唯一作者，太阳成集团tyc234cc主页太阳成集团tyc234cc主页为该论文的唯一署名单位。

 Journal of Machine Learning Research（简称JMLR）由麻省理工学院出版社（MIT Press）出版，依托于麻省理工学院的计算机科学与人工智能实验室（MIT CSAIL: MIT Computer Science & Artificial Intelligence Lab），旨在刊登人工智能与机器学习领域的高质量前沿研究成果，是国际上公认的计算机领域顶级期刊之一，也是中国计算机学会A类推荐的在人工智能、机器学习和模式识别领域的四大国际顶级期刊之一。

 近年来，依赖于数据获取技术、存储技术及计算能力的提升，深度学习等使用复杂网络结构的模型取得了斐然的成绩。然而，对基于海量数据的复杂模型，特别是像深度学习这种具有非凸性质的模型，寻求其快速、鲁棒的高性能算法仍是一件极具挑战且亟待解决的事情。为此，本文在目前被广泛使用的随机优化算法中，基于微分方程离散化的机制引入新的更新方向，得到一类稳定、鲁棒、快速的高性能学习算法。进一步，为提升算法的性能，降低参数选取的难度，本文引入自适应学习速率更新策略。该策略极大程度地降低了现有算法选取超参数的难度。此外，本文严格地证明了所提算法的快速收敛性及复杂度，为解决大规模学习问题提供了坚实的研究基础。

 文章链接： https://www.jmlr.org/papers/volume24/22-1149/22-1149.pdf