Para elaborar sobre la respuesta anónima:
El método de Newton no solo es apropiado cuando ese es el caso, aunque esencialmente está garantizado que encontrará la solución global si el Hessian está siempre en [math] \ mathbb {S} ^ + [/ math] a través de este método. Muy a menudo, utilizamos métodos de Newton (o similares a Newton) para resolver problemas para los que ese no es el caso, ya que estos métodos se comportan muy bien.
Ahora, para la nueva información: el hecho de que el Hessian es positivo-definido en todas partes significa que la función es estrictamente convexa , en este caso el objetivo es convexo y (a menudo! Pero no siempre [1]) su solución es computable en P (la clase de complejidad).
- ¿Cuál es el potencial empresarial del aprendizaje automático / inteligencia artificial?
- Cómo obtener colores 'visualmente distinguibles' de las imágenes
- ¿Los humanos son actualizadores bayesianos?
- ¿Cómo se puede aplicar el aprendizaje automático al póker?
- ¿Cómo se actualizan los pesos en la red neuronal probabilística?
Es una propiedad muy agradable, ya que la convexidad garantiza que las condiciones KKT (condiciones Karush – Kuhn – Tucker) para la optimización son necesarias y suficientes si también se permite la condición de Slater; lo cual es muy frecuente en la mayoría de los problemas que resolvemos.
[1] Si tiene un oráculo o cualquier función que sea O (1) para preguntar si un valor satisface las restricciones, entonces, iirc, puede resolver el problema de optimización en tiempo polinómico. Por resolver quiero decir que puedes dar la solución óptima sujeta a las restricciones o decidir que el problema es inviable o ilimitado.