Descripción del proyecto
Metaalgoritmo para problemas de optimización y estimación
El aprendizaje automático y otras aplicaciones informáticas dependen de los problemas de optimización y estimación. En consecuencia, los investigadores intentan desarrollar y comprender las limitaciones de algoritmos eficientes para estos problemas teniendo en cuenta que el uso de algoritmos adaptados es necesario para lograr las mejores garantías para muchos de ellos. Las investigaciones anteriores han demostrado que, para muchos problemas de optimización, el metaalgoritmo conceptualmente simple de suma de cuadrados puede igualar y superar algoritmos eficientes existentes en lo que respecta a garantías demostrables. El proyecto UTOPEST, financiado con fondos europeos, parte de dichas investigaciones previas con el fin de aumentar la comprensión de las capacidades y limitaciones del metaalgoritmo. Establecerá nuevas garantías algorítmicas para problemas de optimización y estimación básicos, aclarará las limitaciones de algoritmos eficientes para problemas básicos y transferirá los resultados teóricos en algoritmos prácticos.
Objetivo
The goal of this project is to make progress toward a unified theory of efficient
optimization and estimation. In many computing applications, especially machine learning,
optimization and estimation problems play an increasingly important role. For that reason, a large
research effort is devoted to developing and understanding the limitations of efficient algorithms
for these problems. For many of these problems, achieving the best known provable guarantees
required the use of algorithms that are tailored to problem specifics. In recent years, the PI’s
research with collaborators has shown that for many optimization problems, the conceptually
simple sum-of-squares meta-algorithm, despite not being tailored to problem specifics, can match
and often significantly outperform previous efficient algorithms in terms of provable guarantees.
This project aims to better understand the capabilities and limitations of this meta-algorithm,
especially for estimation problems, which have only recently begun to be studied in this light.
In this way, the project will establish new algorithmic guarantees for basic optimization and
estimation problems even in the face of non-convexity and adversarial outliers. In the same way,
the project will shed light on the limitations of efficient algorithms for basic average-case problems
like planted clique and stochastic block models.
The project also aims to transfer the obtained theoretical insights into practical algorithms
building on recent works by the PI and collaborators. Toward this goal the project will develop
new algorithms with close to linear running times that match the guarantees of the best known
polynomial-time algorithms. In order to assess their practicality, the project will perform systematic
empirical evaluations of these algorithms.
Ámbito científico
Programa(s)
Régimen de financiación
ERC-COG - Consolidator GrantInstitución de acogida
8092 Zuerich
Suiza