文献

J-GLOBAL ID：202102251233235092   整理番号：21A0442906

凹型正則化によるスパース学習:表現可能条件の緩和【JST・京大機械翻訳】

Sparse learning with concave regularization: relaxation of the irrepresentable condition

著者 (4件)： Cerone V. (Politecnico di Torino,Dipartimento di Automatica e Informatica,Torino,Italy,10129) ,  Fosson S. M. (Politecnico di Torino,Dipartimento di Automatica e Informatica,Torino,Italy,10129) ,  Regruto D. (Politecnico di Torino,Dipartimento di Automatica e Informatica,Torino,Italy,10129) ,  Salam A. (Politecnico di Torino,Dipartimento di Automatica e Informatica,Torino,Italy,10129)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CDC  ページ： 396-401  発行年： 2020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： データからの学習スパースモデルは,関連する情報が大きなデータセット内で同定されるべきであるすべてのフレームワークにおいて重要なタスクである。これは,適切なスパース性促進最適化問題の定式化と解決によって達成できる。線形回帰モデルに関しては,Lassoはl_1ノルム正則化に基づく最も一般的な凸アプローチである。対照的に,本論文では,凹型正則化手法を解析し,それは,それが,Lassoに対して十分かつ本質的に必要であり,正しい重要なパラメータを選択するのに充分であり,本質的に必要でないということを証明した。実際に,これはLassoに関して必要な測定の数を減らす利点を有する。提案した問題は非凸型であるため,それを解くための異なるアルゴリズムも論じ,数値実験による得られた強化を説明した。Copyright 2021 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 ,  *学習 ,  最適化問題 ,  *正則化 ,  凸形 ,  凹形 ,  定式化 ,  ノルム
準シソーラス用語： スパース性 ,  数値実験 ,  線形回帰モデル , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 凹型 ,  正則化 ,  学習 ,  表現 ,  緩和