用政治家进行黑盒优化
Black-box optimization with a politician
AI总结：
本文提出一种适用于梯度计算昂贵情况的黑盒凸优化新框架，结合凸优化概念和分析中心，实验证明其性能优于BFGS等算法。
摘要：
我们提出了一种新的黑盒凸优化框架，适用于梯度计算昂贵的情况。我们推导出一种新方法，结合了凸优化中的标准一阶方法（如梯度下降或拟牛顿方法）和分析中心（即自共轭屏障的最小化点）。我们实验证明，我们的新方法在性能上优于BFGS等现有算法。
英文摘要：
We propose a new framework for black-box convex optimization which is well-suited for situations where gradient computations are expensive. We derive a new method for this framework which leverages several concepts from convex optimization, from standard first-order methods (e.g. gradient descent or quasi-Newton methods) to analytical centers (i.e. minimizers of self-concordant barriers). We demonstrate empirically that our new technique compares favorably with state of the art algorithms (such as BFGS).
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
