黄俊洲；张彤；Metaxas，Dimitris公司 结构化稀疏学习。 （英语） Zbl 1280.68169号 J.马赫。学习。物件。 12, 3371-3412 (2011). 摘要：本文研究了一种称为结构化稀疏的学习公式，它是统计学习和压缩感知中标准稀疏概念的自然扩展。通过允许特征集上的任意结构，该概念概括了近年来流行的组稀疏性思想。基于与结构相关的编码复杂性的概念，开发了一种用于结构化稀疏性学习的通用理论。研究表明，如果目标信号的编码复杂度较小，则可以通过使用编码复杂度正则化方法来提高性能，该方法推广了标准稀疏正则化。此外，提出了一种结构化贪婪算法来有效解决结构化稀疏性问题。结果表明，贪婪算法在适当的条件下近似地解决了编码复杂度优化问题。在一些实际应用中，通过实验证明了结构化稀疏性相对于标准稀疏性的优势。 引用于29文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 62J07型 岭回归；收缩估计器（拉索） 68兰特 计算机科学中的图论（包括图形绘制） 62G08号 非参数回归和分位数回归 关键词：结构稀疏性；标准稀疏度；群稀疏性；树木稀疏度；图稀疏性；稀疏学习；特征选择；压缩传感 PDF格式BibTeX公司 XML格式引用 \textit{J.Huang}等人，J.Mach。学习。第123371-3412号决议（2011年；兹比尔1280.68169） 全文： arXiv公司 链接