文献

J-GLOBAL ID：201702212019858802   整理番号：17A1034719

スパース表現のための分散非凸最適化【Powered by NICT】

Distributed nonconvex optimization for sparse representation

著者 (2件)： Sun Ying (School of Industrial Engineering, Purdue University, West-Lafayette, IN, USA) ,  Scutari Gesualdo (School of Industrial Engineering, Purdue University, West-Lafayette, IN, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICASSP  ページ： 4044-4048  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 統計的学習における変数選択のための基本的な2基準最適化問題の非凸形制約Lagrange定式化を検討した。二つの基準は平滑(おそらく)非凸損失関数である,データへのモデルの適合性を測定し,後者の機能はスパース性のような差の凸(DC)正則化,解にいくつかの特別な構造を促進するために採用した。この一般的クラス非凸問題は,多くのビッグデータ応用で生じ,統計的機械学習からの物理科学と工学。はこれらの問題のための最初の統一分散型アルゴリズム的フレームワークを開発し,D定常解への漸近的収束を確立した。法の二つの鍵となる特徴である:1)は(おそらく)時変連結性を持つ任意のネットワーク(有向グラフ)に実装できるii)目的関数の(サブ)勾配が有界であることを限定的仮定を必要とせず,収束保証を用いて解くことができることを統計的学習問題の有意にクラスを拡大した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *正則化 ,  損失関数 ,  目的関数 ,  最適化問題 ,  連結性 ,  適応性 ,  定式化 ,  ネットワーク ,  アルゴリズム ,  凸形 ,  有向グラフ
準シソーラス用語： スパース性 ,  確率学習 ,  *非凸最適化 ,  *スパース表現 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： スパース表現 ,  非凸最適化