优化是AI / ML算法的关键组成部分。 无论提出什么目标函数，最后一步都是对其进行优化。 凸优化问题，无论是无约束的还是受约束的，都得到了很好的探讨（请参阅这里）。即使如此，优化效率或性能在很大程度上仍取决于目标函数的表面形状。 对于凸问题（convex optimization problem），解决方案可能会困在鞍点； 或对于局部凸目标函数，解决方案可能会达到局部最优而非全局最优。 当然，尝试使用不同的参数初始值是绕过此问题的一种方法。 在这里，我们介绍了另一种通过蒙特卡洛模拟找到最优值的方法，理论而言，它有机会在任何初始点达到全局最优值。

PDF 文档请点击这里.

相关的报告slides请点击这里.