为提议的算法制定凸优化有多重要？
How important is to formulate a convex optimization for a proposed algorithm?
我提出了一种新的稀疏编码算法，与基线相比具有良好的结果，但是，它具有非凸优化框架。
我使用通用求解器（例如 Matlab）解决了这个问题，虽然解决方案是局部最优的，但它仍然比其他相关方法要好。
那么在凸设置中制定问题有多重要？尤其是为了出版作品。
回答这个问题。诚然，凸是可取的，但它不是方法或算法成功或可公开的必要条件。
非凸问题通常很难处理。缓慢收敛（如果有的话）以及局部最小值和病态情况是很难避免的。然而，科学仍在进步，因为在实践中，现实世界的案例并不像看起来那么病态。如果您可以提供某些保证，例如：
所有有效输入的收敛：表征什么是保证收敛的有效输入。使用的数值方法至关重要，因为数值方法可以确保收敛。
解决方案的特征：导致好结果和坏结果的最佳和最差条件是什么。病理病例也应有特征。
那你的方法就可以发表了（因为你可以查看文献综述）。
凸问题解决了收敛要求，数值方法是众所周知的最佳方法。但是关于解决方案的特性，您需要提供相同的分析。
我提出了一种新的稀疏编码算法，与基线相比具有良好的结果，但是，它具有非凸优化框架。 我使用通用求解器（例如 Matlab）解决了这个问题，虽然解决方案是局部最优的，但它仍然比其他相关方法要好。 那么在凸设置中制定问题有多重要？尤其是为了出版作品。
回答这个问题。诚然，凸是可取的，但它不是方法或算法成功或可公开的必要条件。
非凸问题通常很难处理。缓慢收敛（如果有的话）以及局部最小值和病态情况是很难避免的。然而，科学仍在进步，因为在实践中，现实世界的案例并不像看起来那么病态。如果您可以提供某些保证，例如：
所有有效输入的收敛：表征什么是保证收敛的有效输入。使用的数值方法至关重要，因为数值方法可以确保收敛。
解决方案的特征：导致好结果和坏结果的最佳和最差条件是什么。病理病例也应有特征。
那你的方法就可以发表了（因为你可以查看文献综述）。
凸问题解决了收敛要求，数值方法是众所周知的最佳方法。但是关于解决方案的特性，您需要提供相同的分析。