Cours Apprentissage - ENS Math/Info

Analyse Convexe

Francis Bach

17 octobre 2014

Ce cours s’appuie sur le livre “Convex Optimization” de Stephen Boyd et Lieven Vandenberghe
(disponible gratuitement : [Link]

La convexité intervient dans de nombreuses branches des mathématiques et de l’informatique. Deux

aspects seront vus dans le cours d’apprentissage : l’analyse convexe (propriétés des fonctions et
problèmes d’optimisation convexes) et l’optimisation convexe (algorithmes de résolution).

Exemple classique en apprentissage : minimisation du risque empirique régularisé

n
1X
min `(yi , f (xi )) + λΩ(f ),
f ∈F n i=1

avec
— (xi , yi ) ∈ X × Y, i = 1, . . . , n données d’apprentissage
— F : ensemble convexe de prédicteurs f : X → R
— u 7→ `(y, u) perte convexe pour tout y ∈ Y
— Ω pénalité convexe.

1 Ensembles convexes

On ne considère dans ce cours que la convexité dans un espace Euclidien de dimension finie (le plus
généralement Rn ).

— Définition : K ⊂ Rn est convexe si et seulement si, pour tout x, y ∈ K, le segment [x, y] est
inclus dans K, i.e., ∀α ∈ [0, 1], αx + (1 − α)y ∈ K.
— Exemples classiques : hyperplan a> x = b (a ∈ Rn , a 6= 0, b ∈ R), demi-espace a> x > b,
sous-espace affine Ax = b, boules {kxk 6 1} ⊂ Rn , cone {kxk 6 t} ⊂ Rn+1 .
— Propriétés : l’intersection d’une famille (non nécessairement dénombrables) de convexes est
convexe ; la convexité est préservée par les applications affines (image et image inverse).
— Enveloppe convexe : Etant donné un ensemble A, l’enveloppe convexe est le plus petit
ensemble convexe contenant A. Elle est égale à l’intersection de tous les convexes contenant
A. Elle est égale à l’ensemble
Pp des barycentres à coefficients
Pp positifs ou nuls de familles finies
de points de A (i.e., i=1 αi xi , pour xi ∈ A, αi > 0 et i=1 αi = 1).

1
 — Séparation des convexes : Si C et D sont deux ensemble convexes disjoints (C ∩ D = ∅),
il existe un hyperplan séparant C et D, i.e., ∃a 6= 0 et b ∈ R tels que C ⊂ {a> x > b} et
D ⊂ {a> x 6 b} (forme géométrique du théorème de Hahn-Banach). Si C et D sont compacts,
alors il existe une séparation stricte, i.e., C ⊂ {a> x > b} et D ⊂ {a> x < b}.

Exercice : Montrer le théorème de séparation stricte quand C et D sont compacts (indication : on

utilisera la paire (x, y) minimisant kx − yk2 pour (x, y) ∈ C × D et la médiatrice des points x et y).

2 Fonctions convexes
— Définition : Une fonction f définie sur D ⊂ Rn est convexe ssi (a) D est convexe et (b) pour
tout x, y ∈ D, et α ∈ [0, 1], alors f (αx + (1 − α)y) 6 αf (x) + (1 − α)f (y).
— Convexité stricte : même définition sauf : si α ∈ (0, 1), f (αx+(1−α)y) < αf (x)+(1−α)f (y)
— Convexité forte : même définition sauf : f (αx + (1 − α)y) 6 αf (x) + (1 − α)f (y) − µ2 α(1 −
α)kx − yk2
— Exemples classiques en une dimension : x, x2 , − log x, ex , log(1 + e−x ), |x|p pour p > 1,
−xp pour p < 1 et x > 0.
— Exemples classiques en dimension supérieure : fonctions linéaires a> x, fonctions qua-
dratiques 21 x> Qx pour Q symmétrique semidéfinie positive, normes.
— Caractérisation pour f dérivable : ∀x, y ∈ D, f (x) > f (y) + f 0 (y)> (x − y).
— Caractérisation pour f deux fois dérivable : ∀x ∈ D, f 00 (x) semidéfinie positive.
— Opérations préservant la convexité : supremum d’une famille de fonctions convexes
supi∈I fi (x), combinaison linéaires positives, minimisation partielle inf x∈C f (x, y) (si f est
convexe sur C × D).
— Propriétés : f est continue sur l’intérieur de D.
Pn Pn
— Inégalité de Jensen : f ( i=1 αi xi ) 6 i=1 αi f (xi ) et f (EX) 6 Ef (X).
— Fonctions convexes étendues (à valeurs dans R ∪ {+∞}) : f˜ : Rn 7→ R finie sur son
domaine, infinie sur son complément. Permet de gérer simplement les fonctions à domaine
D 6= Rn .

3 Problèmes d’optimisation non-contraints

On suppose f convexe et finie sur Rn . Alors, les trois cas exclusifs suivants sont possibles :
— inf x∈Rn f (x) = −∞ : pas de minimum (exemple f linéaire)
— inf x∈Rn f (x) > −∞ non atteint (exemple log(1 + e−x ))
— inf x∈Rn f (x) > −∞ atteint (exemple le plus classique) : f est dite coercive (limkxk→+∞ f (x) =
+∞)

Minimas locaux vs. minimas globaux : x est minimum local ssi il existe un voisinage V de x
tel que x est le minimum de f sur V . Lorsque f est convexe, tout minimum local est global.

2
Stricte convexité et minimum unique : si f est strictement convexe, alors il y a au plus un
minimum.

Condition nécessaire et suffisante d’optimalité (cas dérivable) : Si f est convexe et dérivable,

x est un minimum de f sur Rn si et seulement si f 0 (x) = 0.

4 Problèmes d’optimisation contraints

On suppose f convexe et finie sur D ⊂ Rn . On cherche à minimiser f sur un convexe C ⊂ D.

L’ensemble de contraintes C peut être spécifié par une intersection d’ensembles hi (x) = 0 et gj (x) 6 0
(voir section suivante).

Minimisation d’une fonction linéaire sur une enveloppe convexe : Soit A un compact de
Rn et a ∈ Rn , a 6= 0. Alors

min a> x = min a> x

x∈A x∈ Enveloppe convexe(A)

Exemple classique du problème d’affectation : on a p employés et p tâches, et à chaque paire em-

ployé/tâche est de trouver une permutation σ : {1, . . . , p} 7→ {1, . . . , p}
Pp(i, j), on a un coût cij , le butPp
telle que i=1 ciσ(i) est minimum. On a i=1 ciσ(i) = hc, Mσ i où Mσ est la matrice de permutation
associée. L’enveloppe convexe des matrices de permutations est l’ensemble des matrices double-
ment stochastiques (théorème de Birkhoff), qui correspond à un problème d’optimisation comvexe
contraint.

5 Dualité Lagrangienne

On s’intéresse au problème d’optimisation suivant (dit problème primal ) :

min f (x) tel que ∀i ∈ {1, . . . , m}, hi (x) = 0 et ∀j ∈ {1, . . . , r}, gj (x) 6 0.
x∈D

On note D∗ l’ensemble des x ∈ D vérifiant les contraintes.

— Définition du Lagrangien : on appelle Lagrangien la fonction L : Rm × Rr+ définie par

L(x, λ, µ) = f (x) + λ> h(x) + µ> g(x).

λ et µ sont appelés multiplicateurs de Lagrange (ou variables duales).

— Problème primal comme supremum du Lagrangien par rapport aux variables
duales : pour tout x ∈ D,

f (x) si x ∈ D∗

sup L(x, λ, µ) =
(λ,µ)∈Rm ×Rr +∞ sinon
+

Le problème primal est donc équivalent à

p∗ = inf sup L(x, λ, µ).

x∈D (λ,µ)∈Rm ×Rr
+

3
 — Fonction duale : q : Rm × Rr+ → R définie par q(λ, µ) = inf x∈D L(x, λ, µ). Le problème dual
est la minimisation de q sur Rm × Rr+ , équivalent à

d∗ = sup inf L(x, λ, µ).

(λ,µ)∈Rm ×Rr+ x∈D

— Concavité du problème dual : sans aucune hypothèses sur D, f, g, h, la fonction duale q

est concave.
— Dualité faible : sans aucune hypothèses sur D, f, g, h, pour tout (λ, µ) ∈ Rm × Rr+ , et
x ∈ D∗ ,
inf
0
L(x0 , λ, µ) 6 L(x, λ, µ) 6 sup L(x, λ0 , µ0 )
x ∈D (λ0 ,µ0 )∈Rm ×Rr+

ce qui implique q(λ, µ) 6 f (x). Ceci implique d∗ 6 p∗ .

— Problèmes non faisables, non-bornés

Interprétation géometrique : problème à une contrainte d’inégalité

— Conditions de Slater : si f et D sont convexes, hi affines et gj convexes et il existe un

point strictement faisable (∃x̄ ∈ D∗ tel que ∀j, gj (x̄) < 0), alors d∗ = p∗ (dualité forte).
— Conditions de Karush-Kühn-Tucker (KKT) : Si il y a dualité forte, alors x∗ est une
variable primale optimale et (λ∗ , µ∗ ) une paire duale optimale si et seulement si
— stationarité primale : x∗ minimise x 7→ L(x, λ∗ , µ∗ ).
— faisabilité : x∗ et (λ∗ , µ∗ ) sont faisables
— conditions de complémentarité : ∀j, µ∗ gj (x∗ ) = 0
— Preuve pour les conditions de KKT : soit x∗ ∈ D faisable (i.e., x ∈ D∗ ) et (λ∗ , µ∗ ) ∈ Rm ×Rr+ .
Alors

q(λ∗ , µ∗ ) = inf f (x) + (λ∗ )> h(x) + (µ∗ )> g(x)

x∈D

6 f (x ) + (λ∗ )> h(x∗ ) + (µ∗ )> g(x∗ )

∗

6 f (x∗ ).

La paire (x∗ , λ∗ , µ∗ ) est alors optimale si et seulement si il y a égalité dans les deux inégalités
précédentes, ce qui aboutit aux conditions de KKT.
— Remarques : (a) le dual du dual est le dual, (b) plusieurs problèmes duaux, dualité forte pas
toujours vraie.
— Exemple (Programmation linéaire) : minAx=b,x>0 c> x = maxA> y6c b> y
— Exemple (Problème quadratique avec contrainte d’égalité) : mina> x=b 21 x> Qx − q > x
— Exemple (Relaxation Lagrangienne de problème combinatoire - Max Cut) : minx∈{−1,1}n x> W x
— Exemple (Dualité forte pour problème non convexe) : minx> x61 12 x> Qx − q > x
Pn
— Exemple (Fenchel) : maxAx=b −f (x) = miny −b> y + f ∗ (A> y) avec f (x) = p1 i=1 xpi ,
Pn xi Pn xi

f (x) = i=1 e , f (x) = log i=1 e .