Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:1204.1437v1

帮助 | 高级搜索

统计学 > 机器学习

arXiv:1204.1437v1 (stat)
[提交于 2012年4月6日 ]

标题: 快速投影到混合范数球及其应用

标题: Fast projections onto mixed-norm balls with applications

Authors:Suvrit Sra
摘要: 联合稀疏性为特征选择提供了强大的结构线索,特别是在那些预期表现出“分组”行为的变量方面。 这种行为通常通过组套索(group-lasso)、多任务套索(multitask lasso)及相关方法来建模,在这些方法中,特征选择是通过混合范数实现的。 一些基于混合范数的稀疏模型受到了广泛关注,并且在某些情况下还存在高效的算法。 令人惊讶的是,一些受限的稀疏模型似乎缺乏可扩展的算法。 我们通过提出批量优化和在线(随机梯度)优化方法来解决这一不足,这两种方法都依赖于对混合范数球体的有效投影。 我们通过将这些方法应用于多任务套索来展示它们。 最后,我们提到一些开放性问题。
摘要: Joint sparsity offers powerful structural cues for feature selection, especially for variables that are expected to demonstrate a "grouped" behavior. Such behavior is commonly modeled via group-lasso, multitask lasso, and related methods where feature selection is effected via mixed-norms. Several mixed-norm based sparse models have received substantial attention, and for some cases efficient algorithms are also available. Surprisingly, several constrained sparse models seem to be lacking scalable algorithms. We address this deficiency by presenting batch and online (stochastic-gradient) optimization methods, both of which rely on efficient projections onto mixed-norm balls. We illustrate our methods by applying them to the multitask lasso. We conclude by mentioning some open problems.
评论: 预印本(正在评审中的论文)
主题: 机器学习 (stat.ML) ; 机器学习 (cs.LG); 优化与控制 (math.OC)
引用方式: arXiv:1204.1437 [stat.ML]
  (或者 arXiv:1204.1437v1 [stat.ML] 对于此版本)
  https://doi.org/10.48550/arXiv.1204.1437
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Suvrit Sra [查看电子邮件]
[v1] 星期五, 2012 年 4 月 6 日 08:55:38 UTC (51 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.ML
< 上一篇   |   下一篇 >
新的 | 最近的 | 2012-04
切换浏览方式为:
cs
cs.LG
math
math.OC
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号