无约束 L_2-L_p 最小化的复杂度
本文提出了一种基于 l_p 正则化无约束极小化问题的新方法,包括通过闭形式求解每个子问题的 IRL1 和 IRL2 变体,以及这些方法的收敛性分析和基于唯一的 Lipschitz 连续的 ε- 近似的新 IRL1 方法。我们的计算结果表明,该方法对于目标函数值和 CPU 时间通常比现有的 IRL1 方法更稳定。
Sep, 2012
该论文提出了一个有效的两阶段抽样算法来解决 Lp 回归问题,包括构建核心集合、采样等方法,并且在算法的证明过程中提出了两个值得研究的概念:条件良好的基和子空间保留采样。
Jul, 2007
研究基于正则化函数的凸函数估计的性质,给出 $L_2$ 估计误差速率的界限,包括 True Model 的复杂度,应用于不同的正则化函数,结果适用于学习理论框架。
Aug, 2016
我们引入了 $l_p$ 正则化函数的严格鞍点性质,并提出了一种迭代重新加权的 $l_1$ 算法来解决 $l_p$ 正则化问题。该算法只能收敛到局部极小值点,严格鞍点性质在这些稀疏优化问题中是普遍的,这些分析以及提出的算法可以轻松扩展到一般的非凸正则化问题。
Jan, 2024
本文通过分析优化问题的计算复杂性,阐明了一系列非凸非凹目标函数的约束极值优化问题存在的困难,同时证明了该问题在 Nemirovsky-Yudin 模型中的难度,这与最小化问题在同样设置下可以使用 Projected Gradient Descent 进行近似局部最小值的行为形成了对比。
Sep, 2020
本研究提出了一种基于光滑逼近的 l1/l2 函数的新罚函数,并开发了一种基于 proximal 的算法来解决涉及此函数的变分问题,并得出了理论收敛结果。通过与最近的交替优化策略进行比较,我们展示了我们方法在地震数据盲解卷积中的有效性。
Jul, 2014
本文针对两个广泛使用的最小化问题:凸函数最小化问题和加上核范数的凸函数最小化问题,提出使用低秩分解和替代核范数的方法来加速求解问题,并证明其可以在全局范围内找到最优解。
Nov, 2016