麻雀

R包SparseNet:协调下降和非凸性惩罚。我们讨论线性模型中的稀疏选择问题。为此,文献中提出了许多非凸罚函数,以及各种凸松弛算法来寻找好的解。提出了一种求解优化问题的坐标下降法,并研究了其收敛性。我们描述了适用于这种方法的惩罚的性质,研究了它们对应的阈值函数,并描述了一个有助于我们的路径算法的df标准化重参数化。MC+惩罚非常适合于这项任务,我们用它来演示我们算法的性能。与本文有关的某些技术推导和实验包含在补充材料部分。


zbMATH中的参考文献(参考 72篇文章,1标准件)

显示第1到第20个结果,共72个。
按年份排序(引用)
  1. Buccini,Alessandro;De la Cruz Cabrera,Omar;Donatelli,Marco;Martinelli,Andrea;Reichel,Lothar:具有非凸损失和惩罚的大规模回归(2020年)
  2. Mazumder,Rahul;Weng,Haolei:计算秩正则化估计量和同族的自由度(2020)
  3. 谢东秀;沃尔德曼,雨果J.;徐安宝:用于压缩感知和矩阵完成的参数化准软阈值算子(2020)
  4. 徐欣怡;李向杰;张景晓:高维稀疏控制函数模型的正则化方法(2020)
  5. Bhadra,Anindya;Datta,Jyotishka;Li,Yunfan;Polson,Nicholas G.;Willard,Brandon:马蹄形回归的预测风险(2019年)
  6. Bhadra,Anindya;Datta,Jyotishka;Polson,Nicholas G.;Willard,Brandon:《套索与马蹄铁:一项调查》(2019年)
  7. Georgios Exarchakis,Jörg Bornschein,Abdul Saboor Sheikh,Zhenwen Dai,Marc Henniges,Jakob Drefs,Jörg Lücke:ProSper-一个用于非标准优先级和叠加的概率稀疏编码的Python库(2019年)阿尔十四
  8. Lee,Seokho;Kim,Seonhwa:稀疏回归中的边缘化套索(2019)
  9. 麦,西蒙;吴,C.F.杰夫:\ textsfcmenet:一种新的条件主效应二级变量选择方法(2019)
  10. 马荣荣;苗建宇;牛凌峰;张鹏:变换(\ell iu 1)学习稀疏深层神经网络的正则化(2019)
  11. Meulman,Jacqueline J.;van der Kooij,Anita J.;Duisters,Kevin L.W.:ROS回归:将正则化与最优标度回归相结合(2019)
  12. Moran,Gemma E.;Ročková,Veronika;George,Edward I.:高维贝叶斯变量选择的方差先验形式(2019)
  13. Piotr Pokarowski,Wojciech Rejchel,Agnieska Soltys,Michal Frej,Jan Mielniczuk:改进模型选择和预测的套索(2019年)阿尔十四
  14. 石跃勇;徐德义;曹永秀;焦玉玲:基于广义SELO惩罚Cox回归模型的变量选择(2019)
  15. Umezu,Yuta;清水,Yusuke;Masuda,Hiroki;Ninomiya,Yoshiyuki:非凹面惩罚似然法的AIC(2019年)
  16. Adachi,Kohei;Trendafilov,Nickolay T.:聚类变量的稀疏因子分析:矩阵分解法(2018)
  17. Choiruddin,Achmad;Coeurly,Jean-François;Letuédérique:空间点过程强度估计的凸和非凸正则化方法(2018)
  18. Hirose,Kei;Imada,Miyuki:通过惩罚最大似然估计的稀疏因子回归(2018)
  19. 黄健;焦玉玲;刘燕燕;吕锡良:对(L_0)惩罚回归的建设性方法(2018)
  20. Jin,Shaobo;Moustaki,Irini;Yang Wallentin,Fan:探索性因子分析的近似惩罚最大似然:一个正交案例(2018)