方差缩减梯度算法
方差缩减梯度算法（Variance-Reduced Gradient Methods）
方差缩减梯度算法是机器学习中优化随机梯度下降（SGD）的一类重要技术，旨在减少梯度估计的方差，从而加速收敛并提高稳定性。其核心思想是通过引入校正项或周期性全梯度计算，平衡随机梯度的方差与计算效率。
核心原理
传统SGD每次迭代仅使用一个样本的梯度，导致方差较大，可能使优化过程震荡甚至发散。方差缩减算法通过以下方式改进：
- 周期性全梯度计算：定期计算全梯度（如每K个迭代），作为基准梯度。
- 梯度校正：在随机梯度中加入校正项（如历史梯度与当前梯度的差异），降低方差。
- 梯度累加：维护每个样本的梯度历史，减少重复计算。
典型算法
-
SVRG（Stochastic
