文献

J-GLOBAL ID：202202211715256840   整理番号：22A0182511

lq,0近接Newtonアルゴリズムによる多項ロジスティック回帰分類器【JST・京大機械翻訳】

Multinomial logistic regression classifier via lq,0-proximal Newton algorithm

著者 (3件)： Zhang Penghe (Department of Applied Mathematics, Beijing Jiaotong University, Beijing, PR China) ,  Wang Rui (Department of Applied Mathematics, Beijing Jiaotong University, Beijing, PR China) ,  Xiu Naihua (Department of Applied Mathematics, Beijing Jiaotong University, Beijing, PR China)
資料名： Neurocomputing  (Neurocomputing)
巻： 468  ページ： 148-164  発行年： 2022年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 多項ロジスティック回帰(MLR)は多重分類問題を解くための有用なツールである。lq,0(q≧1)ノルムは,多項ロジスティック回帰におけるグループスパース性を特性化し,高次元データにおける重要な特徴を選択するための理想的な正則化項である。しかし,lq,0正則化多項ロジスティック回帰(lq,0-MLR)は,非凸,不連続,およびNP困難であった。したがって,ほとんどの以前の研究は,lq,0ノルムの連続近似を採用した。本論文では,lq,0-MLRを解くために,新しいlq,0-近接Newtonアルゴリズム(lq,0-PNA)を提示した。最初に,強いα-定常点を定義し,この点がlq,0-MLRの局所最小化であることを証明した。次に,そのような点を定常方程式に変換して,lq,0-PNAによってそれを解決して,それは,低い計算コストでグループスパース部分空間上で走るNewton型方式である。さらに,lq,0-PNAの局所二次収束を確立した。最後に,シミュレーションおよび実データに関する数値実験は,特に高次元データに対して,6つの最先端のソルバと比較して,計算時間および精度に関して,lq,0-PNAの優位性を示した。Copyright 2022 Elsevier B.V., Amsterdam. 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 ,  近似法 ,  多重化 ,  正則化 ,  不連続性 ,  凸形 ,  キャラクタリゼーション ,  NP困難 ,  ノルム
準シソーラス用語： スパース性 ,  ソルバ ,  部分空間 ,  数値実験 ,  計算コスト ,  高次元データ , 【Automatic Indexing@JST】

著者キーワード (5件)： 多項ロジスティック回帰分類器 ,  最適性解析 ,  Lq0-近接Newtonアルゴリズム ,  局所二次収束 ,  数値実験

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： アルゴリズム ,  ロジスティック回帰 ,  分類器