08-01-08 Projected Subgradient Method

앞서 본 예제의 방법을 projected subgradient method라고 한다. 이 알고리즘은 제약조건이 있는 convex problem에서 이용할 수 있다.

제약 조건을 만족하는 domain을 집합 \(C\)라고 할 때, 제약조건이 있는 컨벡스 문제는 다음과 같이 정의된다.

\[\begin{align} \min_x \text{ }f(x) \quad \text{subject to } x \in C \end{align}\]

Projected subgradient method를 사용하면 위와 같은 문제를 비교적 쉽게 풀 수 있다. Projected subgradient method는 일반적인 subgradient method과 동일하지만 각 시행 마다 집합 \(C\)로 결과 값을 projection 해주는 형태이다.

\[\begin{align} x^{(k)} = P_c(x^{(k-1)} - t_k ⋅ g^{(k-1)}), \quad k = 1,2,3,... \end{align}\]

만약 projection이 가능하다면 이 방법은 subgradient method와 동일한 수렴성과 수렴도를 가진다.

Projected subgradient method에서 주의할 점은 \(C\)가 단순한 형태의 컨벡스 집합 일지라도 \(P_c\) 연산이 어려우면 전체 문제 또한 풀기 어려워진다는 것이다. 일반적으로 다음과 같은 집합 \(C\)은 비교적 쉽게 projection할 수 있다:

  • Affine images: {\(Ax=b : x \in R^{n}\)}

  • Solution set of linear system: {\(x: Ax=b\)}

  • Nonnegative orthat: \(R_+^{n} =\){\(x: x\ge 0\)}

  • Some norm balls: {\(x: \lVert x \lVert _p \le 1\)} for \(p=1,2,\infty\)

  • Some simple polyhedra and simple cones