Learning inexact alternating minimization for convex problems with quadratic coupling

本文提出一种近似方案，神经网络在每轮迭代中逼近子问题的解。对于满足二次增长条件的变量块之间具有二次耦合的凸问题，我们推导出最优解间隙的最坏情况界限，揭示了网络在贪婪方式下训练时的每轮误差。结合该界限与PAC-Bayes论证，我们获得一个固定时间窗口、高概率的最优解间隙期望界限。