×
王楚毅;帕特里克·布莱尼

高效Lasso优化的自适应混合筛选。 （英语） 兹伯利07551352

J.统计计算。模拟 92，第11号，2233-2256（2022）.
摘要：拉索型模型是分析高维数据的常用方法。现代数据集的大小可能非常大，因此开发高效的算法非常重要。事实证明，特征筛选技术在提高效率方面是有效的，因为它们允许在优化过程中大幅降低维数。在本文中，我们开发了一个自适应混合筛选框架，其中沿着参数值的调整路径自适应地进行筛选，如果之前的解决方案不能显著降低维数，则重用这些解决方案以减少繁重的筛选计算。我们重点讨论了标准套索模型和稀疏逻辑模型，但所提出的框架很灵活，可以很容易地扩展到不同类型的套索模型。通过涉及各种模拟和实际数据集的实验，我们表明，自适应混合方法显著优于其他最先进的方法，在最具挑战性的场景中实现了最大的加速。

理学硕士：

62至XX 统计
62J07型 岭回归；收缩估计量

关键词：

拉索;特征筛选;安全筛选;解决方案路径;大规模稀疏学习

软件：

大套索
PDF格式BibTeX公司 XML格式引用
\textit{C.Wang}和\textit{P.Breheny}，J.统计计算。模拟92，No.11，2233--2256（2022；Zbl 07551352）
全文： 内政部

参考文献：

[1] Tibshirani，R.，《通过套索进行回归收缩和选择》，J R Statist Soc:Ser B（Methodol），58，1，267-288（1996）·Zbl 0850.62538号
[2] 袁，M。；Lin，Y.，分组变量回归中的模型选择和估计，J R Statist Soc:Ser B（Statist Methodol），68，1，49-67（2006）·兹比尔1141.62030
[3] 邹，H。；Hastie，T.，《通过弹性网进行正则化和变量选择》，J R Statist Soc:Ser B（Statist Methodol），67，2，301-320（2005）·Zbl 1069.62054号
[4] 弗里德曼，J。；哈斯蒂，T。；Höfling，H.，路径坐标优化，Ann Appl Stat，1，2，302-332（2007）·Zbl 1378.90064号
[5] 蒂布希拉尼，R。；Bien，J。；Friedman，J.，套索型问题中丢弃预测因子的强规则，J R Statist Soc Ser B，74，2，245-266（2012）·Zbl 1411.62213号
[6] Qian，J，Du，W，Tanigawa，Y，et al.求解大规模超高维问题中套索的快速灵活算法；2019.生物研究。630079
[7] Ghaoui，LE，Viallon，V，Rabbani，T.拉索和稀疏监督学习问题的安全特征消除；2010年，arXiv:10094219·兹比尔1259.65010
[8] Wang，J，Zhou，J，Wonka，P，et al.通过双多面体投影的拉索筛选规则。Burges CJC、Bottou L、Welling M、Ghahramani Z、Weinberger KQ编辑。神经信息处理系统的进展。纽约州Red Hook:Curran Associates，Inc；2013年，第1070-1078页。
[9] Xiang，ZJ，Ramadge，PJ。基于相关性的快速套索筛选测试。在：国际声学、语音和信号处理会议。IEEE；2012年，第2137-2140页。
[10] Xiang，ZJ，Xu，H，Ramadge，PJ。学习大规模字典上高维数据的稀疏表示。Shawe-TaylorJ、Zemel R、Bartlett P、Pereira F、Weinberger KQ编辑。神经信息处理系统的进展。纽约州Red Hook:Curran Associates，Inc。；2011年，第900-908页。
[11] 曾勇。；Yang，T。；Breheny，P.，用于套索型问题高效优化的混合安全强度规则，计算统计数据分析，153（2021）·兹比尔1510.62313
[12] Zeng，Y，Breheny，P.biglasso包：R中大数据拟合套索模型的记忆和计算效率求解器；2017年，arXiv:170105936。
[13] Lee，H，Battle，A，Raina，R等。高效稀疏编码算法。在Schölkopf B，Platt J，Hoffman T，编辑。神经信息处理系统的进展。马萨诸塞州剑桥：麻省理工学院出版社；2007年，第801-808页。
[14] 范，J。；Lv，J.，超高维特征空间的确定独立筛选，J R Statist Soc Ser B，70，5，849-911（2008）·Zbl 1411.62187号
[15] Wang，J，Zhou，J，Liu，J等。稀疏逻辑回归的安全筛选规则。在Ghahramani Z，Welling M，Cortes C，Lawrence N，Weinberger KQ，编辑。神经信息处理系统的进展。纽约州Red Hook:Curran Associates，Inc。；2014年，第1053-1061页。
[16] Breheny，P。；Huang，J.，带分组预测因子的非凸惩罚线性和logistic回归模型的群下降算法，Stat-Comput，25，2，173-187（2015）·Zbl 1331.62359号
[17] 项，ZJ；王，Y。；拉马奇，PJ。，套索问题的筛选测试，IEEE Trans-Pattern Ana Mach Intell，39，5，1008-1027（2016）
[18] 达斯，S。；福尔，L。；Schönherr，S.，《下一代基因型插补服务和方法》，《自然遗传学》，48，10，1284-1287（2016）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。