×
张海滨；姜娇娇；罗志泉

关于一类非光滑凸极小化问题的近似梯度法的线性收敛性。 （英语） Zbl 1334.90127号

《运营杂志》。Res.Soc.中国 第1、2号，163-186（2013）.
摘要：我们考虑了一类非光滑凸优化问题，其中目标函数是一个具有线性映射的强凸可微函数的组合，该映射由优化变量的（ell_1）-范数和（ell_2）-范量之和正则化。这类问题自然产生于稀疏组Lasso中的应用，这是一种流行的变量选择技术。解决此类问题的有效方法是采用近似梯度法（PGM）。本文证明了该问题最优解集周围的局部误差界，并用它建立了PGM方法的线性收敛性，而不必假设总体目标函数的强凸性。

引用于19文件

MSC公司：

90C25型 凸面编程
90摄氏52度 减少梯度类型的方法

关键词：

近似梯度法；错误界限；线性收敛；稀疏群套索

软件：

取消锁定BoX；SLEP公司；味精
PDF格式BibTeX公司 XML格式引用
\textit{H.Zhang}等人，J.Oper。中国研究学会1，第2号，163--186（2013；Zbl 1334.90127）
全文： DOI程序

参考文献：

[1] 巴赫，F.：套索和多核学习的一致性。J.马赫。学习。第9号决议，1179–1225（2008年）·Zbl 1225.68147号
[2] Combettes，P.L.，Pesquet，J.C.：信号处理中的近距离分裂方法。arXiv:0912.3522v4[math.OC]，2010年5月18日
[3] Combettes，P.L.，Wajs，V.R.：通过近端前向-后向分裂恢复信号。多尺度模型。模拟。4, 1168–1200 (2005) ·Zbl 1179.94031号 ·doi:10.1137/050626090
[4] Fan，J.，Li，R.：通过非冲突惩罚似然及其预言属性进行变量选择。《美国法律总汇》第96卷（456）、1348-1359页（2001年）·Zbl 1073.62547号 ·doi:10.1198/016214501753382273
[5] Friedman，J.，Hastie，T.，Tibshirani，R.：关于拉索群和稀疏群拉索的注释。arXiv：1001.0736v1[math.ST]，2010年1月5日
[6] Kim，D.，Sra，S.，Dhillon，I.：应用于混合范数回归的可扩展信任区域算法。在：国际机器学习会议（ICML），第1卷（2010年）
[7] Liu，J.，Ji，S.，Ye，J.：SLEP：稀疏学习与有效投影。亚利桑那州立大学（2009）
[8] Luo，Z.Q.，Tseng，P.：关于凸本质光滑极小化下降法的线性收敛性。SIAM J.控制优化。30(2), 408–425 (1992) ·Zbl 0756.90084号 ·doi:10.1137/0330025
[9] Ma，S.，Song，X.，Huang，J.：监督Lasso组在微阵列数据分析中的应用。BMC生物信息。8(1), 60 (2007) ·doi:10.1186/1471-2105-8-60
[10] Meier，L.，Van de Geer，S.，Buhlmann，P.：逻辑回归的Lasso组。J.R.Stat.Soc.，塞尔维亚。B、 统计方法。70(1), 53–71 (2008) ·Zbl 1400.62276号 ·文件编号：10.1111/j.1467-9868.2007.00627.x
[11] Nesterov，Y.：凸优化入门讲座。Kluwer，波士顿（2004）·Zbl 1086.90045号
[12] Tseng，P.：结构化凸优化的近似精度、梯度方法和误差界。数学。程序。125(2), 263–295 (2010) ·Zbl 1207.65084号 ·doi:10.1007/s10107-010-0394-2
[13] Tseng，P.，Yun，S.：非光滑可分离最小化的坐标梯度下降法。数学。程序。117, 387–423 (2009) ·Zbl 1166.90016号 ·doi:10.1007/s10107-007-0170-0
[14] Rockafellar，R.T.：凸分析。普林斯顿大学出版社，普林斯顿（1970）·Zbl 0193.18401号
[15] Rockafellar，R.T.，Wets，R.J.B.：变分分析。施普林格，纽约（1998）
[16] Roth，V.，Fischer，B.：广义线性模型的群L asso：解的唯一性和有效算法。摘自：《第25届机器学习国际会议论文集》，第848–855页。ACM，纽约（2008）
[17] Tibshirani，R.：通过拉索进行回归收缩和选择。J.R.Stat.Soc.B 58、267–288（1996）·Zbl 0850.62538号
[18] van den Berg，E.、Schmidt，M.、Friedlander，M.和Murphy，K.：通过线性时间投影的群稀疏性。技术报告TR-2008-09，不列颠哥伦比亚大学计算机科学系（2008）
[19] Vincent，M.，Hansen，N.R.：稀疏群Lasso和高维多项式分类。J.计算。统计数据分析。arXiv:1205.1245v1[stat.ML]，2012年5月6日·Zbl 1471.62200号
[20] Wright，S.，Nowak，R.，Figueiredo，M.：可分离近似的稀疏重建。IEEE传输。信号处理。57(7), 2479–2493 (2009) ·Zbl 1391.94442号 ·doi:10.1109/TSP.2009.2016892
[21] Yang，H.，Xu，Z.，King，I.，Lyu，M.：拉索小组的在线学习。参加：第27届国际机器学习会议（ICML2010）（2010）
[22] Yuan，M.，Lin，Y.：分组变量回归中的模型选择和估计。J.R.Stat.Soc.，塞尔维亚。B、 统计方法。68(1), 49–67 (2006) ·Zbl 1141.62030号 ·doi:10.1111/j.1467-9868.2005302.x
[23] Zou，H.：自适应拉索及其预言属性。《美国统计协会期刊》101（476），1418-1429（2006）·Zbl 1171.62326号 ·doi:10.1198/016214500000735
[24] Zou，H.，Hastie，T.：通过弹性网络的正则化和变量选择。J.R.Stat.Soc.B 67（2），301–320（2005）·Zbl 1069.62054号 ·文件编号：10.1111/j.1467-9868.2005.005.x
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。