순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
Optimization Methods for Large-Scale Machine Learning
Léon Bottou, Frank E. Curtis, Jorge Nocedal · SIAM Review · 2018년 · 조회 16
왜 이 논문인가 — 선정 기준
RESEARCH PAPER · 후속 연구설계에 활용하기 좋은 논문 — 척도·모형·프레임워크류, 피인용 다수
2018-01 발표 · 피인용 3,253회 · 분야 내 인용 영향력 상위권 · 동년 인용 상위 1% · 참고문헌 171개
RESEARCH PAPER 슬롯에 선정된 이유는 2018년 발표 이후 3,253회 인용된 높은 영향력과 동년 상위 1% 논문으로, 후속 연구 설계에 유용한 기반을 제공하기 때문이다.
논문 요약
본 리뷰는 머신러닝에 적용되는 수치 최적화 알고리즘의 과거·현재·미래를 조망한다. 텍스트 분류와 심층 신경망 훈련 사례를 통해 최적화 문제가 어떻게 발생하고 어떤 어려움이 있는지 논의한다. 특히 대규모 머신러닝에서 확률적 경사(SG) 방법이 중심적 역할을 하는 반면, 전통적인 비선형 최적화는 성능이 떨어짐을 강조한다. 간단하면서도 유연한 SG 알고리즘 이론을 제시하고, 실용적 행동과 개선 가능성을 탐색한다.
후속 연구설계에 활용하기
제시된 SG 알고리즘 이론과 성능 지표를 기준선으로 삼아 새로운 최적화 기법의 수렴 속도·정확도·자원 소모 등을 비교 평가할 수 있다.
핵심어
최적화 알고리즘대규모 머신러닝확률적 경사성능 평가
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.