Alexander Gasnikov

Learn More
In this paper, we consider a non-convex loss-minimization problem of learning Supervised PageRank models, which can account for features of nodes and edges. We propose gradient-based and random gradient-free methods to solve this problem. Our algorithms are based on the concept of an inexact oracle and unlike the state-ofthe-art gradient-based method we(More)
личных от нуля вне диагональных элементов матрицы P по строчкам (это используется при организации случайного блуждания по графу с матрицей P ). На основе современных неравенств концентрации меры в работе приводятся новые оценки времени работы такого метода, учитывающие специфику матрицы P . В основе второго способа идея – свести поиск ранжирующего вектора к(More)
In this paper, we consider a large class of hierarchical congestion population games. One can show that the equilibrium in a game of such type can be described as a minimum point in a properly constructed multi-level convex optimization problem. We propose a fast primal-dual composite gradient method and apply it to the problem, which is dual to the problem(More)
In this paper, we consider smooth convex optimization problems with simple constraints and inexactness in the oracle information such as value, partial or directional derivatives of the objective function. We introduce a unifying framework, which allows to construct different types of accelerated randomized methods for such problems and to prove convergence(More)
В данной статье с помощью большого числа компьютерных экспериментов обнаруживается степенной закон распределения компонент вектора PageRank, посчитанного для web-графа, сгенерированного по модели Бакли– Остгуса. Подробно обсуждается выбор алгоритмов, которые использовались в экспериментах по расчету вектора PageRank. Рассматривается приближенная к(More)
  • 1