Subderivative (original) (raw)
Das Subdifferential ist eine Verallgemeinerung des Gradienten auf nicht differenzierbare konvexe Funktionen. Das Subdifferential spielt eine wichtige Rolle in der konvexen Analysis sowie der konvexen Optimierung.
| Property | Value | |
|---|---|---|
| dbo:abstract | Das Subdifferential ist eine Verallgemeinerung des Gradienten auf nicht differenzierbare konvexe Funktionen. Das Subdifferential spielt eine wichtige Rolle in der konvexen Analysis sowie der konvexen Optimierung. (de) En mathématiques, et plus précisément en analyse convexe, le sous-différentiel est un concept permettant de décrire la variation locale d'une fonction convexe (à valeurs réelles donc) non nécessairement différentiable dans un sens classique, celui auquel on attache aujourd'hui le nom de Fréchet. Au lieu d'être la pente de l'application linéaire tangente (c'est-à-dire, la dérivée) au point considéré, qui n'existe pas nécessairement, le sous-différentiel d'une fonction convexe est l'ensemble des pentes de toutes les minorantes affines de la fonction, qui sont exactes en ce point, c'est-à-dire qui ont en ce point la même valeur que la fonction convexe qu'elles minorent. Dans cette description, le mot pente peut être entendu comme un élément de l'espace dual. La convexité de la fonction assure qu'on peut lui trouver des minorantes affines exactes en presque tout point de son domaine ; on met donc à profit cette propriété pour définir le sous-différentiel. Si l'on peut trouver une minorante affine exacte en un point donné, on dit que la fonction convexe est sous-différentiable en ce point. On sait que la notion de dérivée est fondamentale en analyse car elle permet d'approcher localement des fonctions par des modèles linéaires, plus simples à étudier. Ces modèles fournissent des renseignements sur les fonctions qu'ils approchent, si bien que de nombreuses questions d'analyse passent par l'étude des fonctions linéarisées (stabilité, inversibilité locale, etc). On rencontre beaucoup de fonctions convexes qui ne sont pas différentiables au sens classique, en particulier lorsque celles-ci résultent de constructions qui n'ont rien pour assurer la différentiabilité des fonctions qu'elles produisent. Il en est ainsi de la fonction duale associée à un problème d'optimisation sous contraintes, pour en citer un exemple emblématique. Pour ces fonctions convexes non lisses, le sous-différentiel joue donc un rôle similaire à celui de la dérivée des fonctions plus régulières. La notion de sous-différentiel connaît diverses extensions aux fonctions non nécessairement convexes, par exemple aux fonctions localement lipschitziennes. Connaissances supposées : l'algèbre linéaire, le calcul différentiel (notamment les propriétés de la dérivée directionnelle au sens de Dini pour les fonctions convexes prenant des valeurs infinies), les bases de l'analyse convexe (notamment les principales notions attachées aux ensembles et aux fonctions convexes, mais surtout la notion de fonction conjuguée). (fr) In mathematics, the subderivative, subgradient, and subdifferential generalize the derivative to convex functions which are not necessarily differentiable. Subderivatives arise in convex analysis, the study of convex functions, often in connection to convex optimization. Let be a real-valued convex function defined on an open interval of the real line. Such a function need not be differentiable at all points: For example, the absolute value function f(x)=|x | is nondifferentiable when x=0. However, as seen in the graph on the right (where f(x) in blue has non-differentiable kinks similar to the absolute value function), for any x0 in the domain of the function one can draw a line which goes through the point (x0, f(x0)) and which is everywhere either touching or below the graph of f. The slope of such a line is called a subderivative (because the line is under the graph of f). (en) 수학에서 하방미분(subdifferential, subderivative)은 미분을 일반화하여 미분가능하지 않은 볼록 함수에 적용할 수 있도록 하는 방법이다. 볼록 최적화 등 볼록 함수를 연구하는 해석에서 중요하게 사용된다. (ko) 数学において劣微分（れつびぶん、英: subderivative, subdifferential）とは一般の微分の概念を微分不可能な関数に対して拡張した考え方である。一般の関数の微分は関数であるが、劣微分の値は集合となる。劣微分は凸解析の分野で広く用いられており、凸最適化と深い関係を持つ。 ある開区間 I 上の必ずしも全ての点で微分可能でない凸関数 f: I→R を考える。例えば絶対値を返す関数 f(x) = |
| dbo:thumbnail | wiki-commons:Special:FilePath/Subderivative_illustration.png?width=300 | |
| dbo:wikiPageExternalLink | https://math.stackexchange.com/q/65569 | |
| dbo:wikiPageID | 3462862 (xsd:integer) | |
| dbo:wikiPageLength | 7768 (xsd:nonNegativeInteger) | |
| dbo:wikiPageRevisionID | 1116720969 (xsd:integer) | |
| dbo:wikiPageWikiLink | dbr:Jean_Jacques_Moreau dbr:Derivative dbr:Unbounded_operator dbr:Convex_analysis dbr:Convex_functions dbr:Convex_optimization dbr:Convex_set dbr:Mathematics dbr:Mean_value_theorem dbr:Global_minimum dbc:Generalizations_of_the_derivative dbr:Locally_convex_space dbr:Sign_function dbr:Slope dbr:Stack_Exchange dbr:Closed_set dbr:Empty_set dbr:Absolute_value dbr:Dual_space dbr:Euclidean_space dbc:Convex_optimization dbc:Variational_analysis dbr:Closed_interval dbr:Differentiable_function dbr:Dot_product dbr:If_and_only_if dbr:Open_interval dbr:Open_set dbr:R._Tyrrell_Rockafellar dbr:Real_number dbr:Set_(mathematics) dbr:One-sided_limit dbr:Subgradient_method dbr:Weak_derivative dbr:Minkowski_sum dbr:Singleton_set dbr:Compact_set dbr:File:Subderivative_illustration.png | |
| dbp:wikiPageUsesTemplate | dbt:Cite_book dbt:Cite_web dbt:Reflist dbt:Short_description | |
| dcterms:subject | dbc:Generalizations_of_the_derivative dbc:Convex_optimization dbc:Variational_analysis | |
| rdf:type | yago:Abstraction100002137 yago:Association105763916 yago:BasicCognitiveProcess105701944 yago:Cognition100023271 yago:Colligation105764197 yago:Generalization105774415 yago:Memory105760202 yago:Process105701363 yago:PsychologicalFeature100023100 yago:WikicatGeneralizationsOfTheDerivative | |
| rdfs:comment | Das Subdifferential ist eine Verallgemeinerung des Gradienten auf nicht differenzierbare konvexe Funktionen. Das Subdifferential spielt eine wichtige Rolle in der konvexen Analysis sowie der konvexen Optimierung. (de) 수학에서 하방미분(subdifferential, subderivative)은 미분을 일반화하여 미분가능하지 않은 볼록 함수에 적용할 수 있도록 하는 방법이다. 볼록 최적화 등 볼록 함수를 연구하는 해석에서 중요하게 사용된다. (ko) 数学において劣微分（れつびぶん、英: subderivative, subdifferential）とは一般の微分の概念を微分不可能な関数に対して拡張した考え方である。一般の関数の微分は関数であるが、劣微分の値は集合となる。劣微分は凸解析の分野で広く用いられており、凸最適化と深い関係を持つ。 ある開区間 I 上の必ずしも全ての点で微分可能でない凸関数 f: I→R を考える。例えば絶対値を返す関数 f(x) = |x | などは x = 0 では微分不可能である。しかしながら右の図に示す通り、微分不可能な点を通り、その近傍の点とは接するか、あるいは下を通るような直線の集合を考えることができる．この直線それぞれの傾きの集合が劣微分の値となる．もし関数が下に凸ではなく上に凸である場合にも劣微分の定義は適用可能であるが、それはあまり重要な意味を持たないため、多くの場合、凸関数に対してのみ劣微分が定義される． (ja) Subróżniczka, subgradient, subpochodna (podróżniczka, podgradient, podpochodna) – pojęcia pojawiające się w analizie wypukłej, czyli badaniu funkcji wypukłych, często w powiązaniu z . (pl) Em matemática, os conceitos de subderivada, subgradiente, e subdiferencial surgem em , que é, no estudo de funções convexas, frequentemente conexa à . Fazendo-se f:I→R ser uma função convexa expressa no real definida sobre um intervalo aberto da reta dos reais. Tal função pode não ser necessariamente diferenciável em todos os pontos, como por exemplo, o valor absoluto, f(x)= |
| rdfs:label | Subdifferential (de) Sous-différentiel (fr) Subdifferenziale (it) 劣微分 (ja) 하방미분 (ko) Subróżniczka (pl) Subderivative (en) Subderivada (pt) Субдифференциал (ru) Subgradient (sv) 次导数 (zh) Субдиференціал (uk) | |
| owl:sameAs | freebase:Subderivative yago-res:Subderivative wikidata:Subderivative dbpedia-de:Subderivative dbpedia-fr:Subderivative dbpedia-it:Subderivative dbpedia-ja:Subderivative dbpedia-ko:Subderivative dbpedia-pl:Subderivative dbpedia-pt:Subderivative dbpedia-ru:Subderivative dbpedia-sv:Subderivative dbpedia-uk:Subderivative dbpedia-zh:Subderivative https://global.dbpedia.org/id/2gcKk | |
| prov:wasDerivedFrom | wikipedia-en:Subderivative?oldid=1116720969&ns=0 | |
| foaf:depiction | wiki-commons:Special:FilePath/Subderivative_illustration.png | |
| foaf:isPrimaryTopicOf | wikipedia-en:Subderivative | |
| is dbo:wikiPageRedirects of | dbr:Subgradient dbr:Subdifferential | |
| is dbo:wikiPageWikiLink of | dbr:M-estimator dbr:Moreau's_theorem dbr:Bregman_method dbr:Cyclical_monotonicity dbr:David_Borwein dbr:List_of_numerical_analysis_topics dbr:Generalizations_of_the_derivative dbr:Convex_function dbr:Convexity_in_economics dbr:Subgradient dbr:Hamilton–Jacobi–Bellman_equation dbr:Karush–Kuhn–Tucker_conditions dbr:Lasso_(statistics) dbr:Absolute_value dbr:Non-convexity_(economics) dbr:Regularization_(mathematics) dbr:Hinge_loss dbr:Jensen's_inequality dbr:Support_vector_machine dbr:Variational_analysis dbr:Naum_Z._Shor dbr:Nonlinear_programming dbr:Weak_derivative dbr:Subdifferential | |
| is foaf:primaryTopic of | wikipedia-en:Subderivative |
