Stoppkriterier

Stoppkriterier är regler som avgör när en iterativ process ska avslutas. De används inom optimering, numeriska lösningar av ekvationer, maskininlärning och simuleringar för att balansera precision, prestanda och resursbruk. Genom att specificera när förändringar är tillräckligt små eller när ett målvärde uppnås kan man undvika onödiga beräkningar samtidigt som man undviker överfitting eller numeriska problem.

Vanliga typer av stoppkriterier inkluderar: max antal iterationer eller en tidsbegränsning som sätter ett oinskränkt tak på arbete; konvergenskriterier som baseras på förändringen mellan på varandra följande iterationer, till exempel relativ förändring i variabler eller i målfunktionen; residum- eller stetriter som mäter hur nära lösningen uppfyller ekvationerna, till exempel norm av b − A x i linjära system; och gradientnormer som indikerar hur nära optimum lösningen ligger i optimeringsproblem. I maskininlärning används ofta early stopping baserat på valideringsförlust eller prestanda över flera epoker.

Exempelvis avgörs stopp i linjära system av ||b − A x|| ≤ tol; i icke-linjära problem av ||F(x)|| ≤ tol; i optimering av relativa förbättringar i f(x) eller i variablerna. Valet av toleranser beror på problemets skala och önskad noggrannhet, och flera kriterier används ofta tillsammans där ett kriterium utlöser avslutningen.

Det är vanligt att dokumentera vilka stoppkriterier och toleranser som använts samt antal körda iterationer för att möjliggöra reproducibilitet och jämförelse mellan metoder.