M1-028M1: 数学与统计基础凸优化与 KKTMedium
⚡闪卡盲测➔掌握度:
什么是强对偶与 Slater 条件?对偶问题有什么用。
🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
📐 核心数学机理公式
⚡ 一句话直击要害答案
强对偶指原问题最优值等于对偶最优值;Slater 条件(存在严格可行点)是凸问题强对偶的充分条件。
📌 核心要点提炼
- •对偶常把约束优化转成更易解的形式(SVM 对偶)
- •对偶变量提供下界,可用于早停/验证
📐 数学机理与严密推导
对偶的构造是交换 min 与 max 的顺序:原问题 p*=min_x max_{λ≥0}L(x,λ),对偶问题 d*=max_{λ≥0}min_x L(x,λ)。弱对偶 d*≤p* 总成立(因为对任意 x,λ 有 min_x L ≤ L ≤ max_λ L),它给出原问题最优值的下界——这在实践中极有用(可用于验证解的最优性间隙)。强对偶 d*=p* 需要额外条件:对凸问题,Slater 条件(存在严格可行点,即 ∃x 使所有不等式约束严格成立)保证强对偶成立。此时 KKT 条件成为充要条件,且原问题与对偶问题同解。
🏭 深度剖析与工业落地权衡
对偶的三大实用价值:① SVM 的核技巧——原问题的变量是权重 w(维度等于特征数,可能无限维),对偶问题的变量是样本乘子 αᵢ(维度等于样本数),且目标函数中只出现内积 xᵢᵀxⱼ,可直接替换为核函数 K(xᵢ,xⱼ) 实现非线性分类而无需显式映射到高维——这是 SVM 相对其他线性模型的核心优势;② 下界与最优性间隙——对偶目标值可作为原问题最优值的下界,用于早停(当间隙足够小即停止)与解的验证,也用于分布式优化中的收敛判定;③ 分解与并行——对偶问题常可按样本分解(如 ADMM、坐标下降求解 SVM),便于大规模并行。
⚠️ 常见面试陷阱与高频失分点
- ✕认为强对偶对任意问题都成立
- ✕忽视对偶问题的可行性(可能存在对偶间隙或不可行)
🎯 面试官连环追问与延伸考察
- ?为什么 SVM 要转对偶?(核技巧)
- ?弱对偶为什么总成立?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
📚