陶青;高乾坤;姜济源;朱德军 稀疏学习优化问题求解综述。 （中文。英文摘要） Zbl 1299.68078号 J.软件。 24，第11期，2498-2507（2013）. 摘要：随着数据规模的不断扩大，机器学习面临着巨大的挑战。如何应对大规模甚至大规模的数据是新兴统计学习领域的一个关键问题。通常，我们在大规模学习问题的训练集中存在冗余和稀疏性，并且学习问题的正则化子和损失函数具有结构性含义。如果在批设置中直接使用梯度型黑盒方法，不仅无法解决大规模问题，而且无法利用机器学习所隐含的结构信息。近年来，由机器学习特性驱动的坐标下降、在线和随机算法等先进的可扩展方法已成为大规模问题的主流范式。本文主要研究L1正则化问题，并综述了这些可伸缩算法的一些重要进展。 MSC公司： 68T05型 人工智能中的学习和自适应系统 68-02 与计算机科学有关的研究展览会（专著、调查文章） 关键词：L1重新调整;在线优化;随机优化;坐标优化 PDF格式BibTeX公司 XML格式引用 \textit{Q.Tao}等人，J.Softw。24，第11号，2498--2507（2013；Zbl 1299.68078） 全文： 内政部