文献

J-GLOBAL ID：202002269719258604   整理番号：20A2615235

l=∞,1正則化による結合スパースマルチタスクネットワーク上のオンライン近位学習【JST・京大機械翻訳】

Online Proximal Learning Over Jointly Sparse Multitask Networks With $¥ell _{¥infty, 1}$ Regularization

著者 (4件)： Jin Danqi (Centre of Intelligent Acoustics and Immersive Communications, School of Marine Science and Technology, Northwestern Polytechinical University, Xi’an, China) ,  Chen Jie (Centre of Intelligent Acoustics and Immersive Communications, School of Marine Science and Technology, Northwestern Polytechinical University, Xi’an, China) ,  Richard Cedric (CNRS, Universite ́ Co^te d’Azur, Nice, France) ,  Chen Jingdong (Centre of Intelligent Acoustics and Immersive Communications, School of Marine Science and Technology, Northwestern Polytechinical University, Xi’an, China)
資料名： IEEE Transactions on Signal Processing  (IEEE Transactions on Signal Processing)
巻： 68  ページ： 6319-6335  発行年： 2020年 
JST資料番号： C0228A  ISSN： 1053-587X  CODEN： ITPRED  資料種別： 逐次刊行物 (A)
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： マルチタスクネットワークにおける推定に対する局所最適パラメータベクトル間のモデリング関係は,ここ数年にわたって多くの注目を集めている。本研究では,ノード間の共同スパース構造による分散最適化問題を考察し,即ち,局所解は同じスパースサポート集合を持つ。いくつかの混合ノルムを提案し,文献における共同スパース構造に取り組んだ。いくつかの候補の中で,(再加重)l_∞,1ノルムは要素別分離可能であり,それらの近似的近位演算子を評価することはより便利である。従って,各ノードで(再加重)l_∞,1ノルムペナルティ項を導入し,正則化コストを最小化するために近位勾配法を用いて,関節スパース性を促進できる近位マルチタスク拡散LMSアルゴリズムを考案した。解析を提供して,平均および平均二乗の意味におけるアルゴリズム挙動を特徴付けた。シミュレーション結果を示し,理論的発見の精度と同様にその有効性を示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  シミュレーション ,  ベクトル ,  *学習 ,  傾斜法 ,  *ネットワーク ,  近似法 ,  *正則化 ,  ノルム
準シソーラス用語： スパース性 ,  局所解 ,  *オンライン ,  *マルチタスク ,  最適パラメータ ,  LMSアルゴリズム , 【Automatic Indexing@JST】

分類 (2件)： 信号理論  (ND02020G) ,  通信網  (ND07030A)

タイトルに関連する用語 (3件)： 正則化 ,  オンライン ,  学習