Nov, 2012

稀疏逆协方差估计的迭代阈值算法

PDF
TL;DR本文提出了一种基于近端梯度方法（G-ISTA）的 L1 正则化协方差矩阵估计方法，它具有线性收敛率和 O (log e) 迭代复杂度，能够有效地用于产生稀疏逆协方差估计量，并探讨了其特性及在数值测试中的表现。
发现论文，激发创造
  • 使用二次逼近法稀疏逆协方差矩阵估计

    本研究提出了一种基于牛顿法的新型算法，用于解决优化问题，该问题是一个正则化的对数行列式程序，能够从非常有限的样本中恢复稀疏逆协方差矩阵，或者是高斯马尔科夫随机场的基础图结构，并通过合成和真实的应用数据实验结果表明，与其他最先进的方法相比，我们的方法在性能上有了显着的改进。

    Jun, 2013

  • 稀疏精度矩阵估计的受限 L1 最小化方法

    本文提出了一种基于线性规划的 L1 最小化方法，用于估计稀疏逆协方差矩阵和选择图模型，其直观易用、收敛速度快且效果优于现有方法，适用于实际数据分析。

    Feb, 2011

  • 稀疏伪似然图模型选择的优化方法

    该研究提出了两种基于近端梯度方法的算法，用于在拟似似然框架中执行 l1 - 正则化的逆协方差矩阵评估，证明了该方法具有很好的收敛性和可扩展性。

    Sep, 2014

  • 基于阈值和最大行列式矩阵完成的大规模稀疏逆协方差估计

    本文通过软阈值和最大行列式矩阵填充问题来探讨解决稀疏逆协方差矩阵估计问题的一种高效算法

    Feb, 2018

  • 学习迭代阈值算法的最优非线性函数

    本论文提出了一种使用神经网络和误差反向传播算法学习最优阈值函数的数据驱动迭代收缩阈值算法（ISTA），并在稀疏统计信号上进行模拟实验，证明了这种算法在估计质量上的潜在提升。

    Dec, 2015

  • 稀疏约束下线性反问题的加速投影梯度方法

    本文探讨了使用 l1 惩罚解决几乎稀疏线性逆问题的正则化方法，并提出了一种基于投影梯度方法并使用可变阈值参数的迭代软阈值算法的替代方案。

    Jun, 2007

  • 通过交替最小化实现的稀疏高斯图模型估计 - G-AMA

    本文提出了一种新的基于交替最小化算法的方法 G-AMA，用于解决稀疏逆协方差估计问题，相对于先前的算法大大提高了计算速度，并能够处理高维现代数据集的机器学习任务。

    May, 2014

  • 可训练 ISTA 用于稀疏信号恢复

    本文提出了一种名为 TISTA 的新型稀疏信号恢复算法，采用了可调整参数控制步长和误差方差的最小均方误差收缩单元，并通过标准深度学习技术调整这些变量，实验表明，TISTA 适用于各种传感矩阵，并且收敛速度明显快于 AMP 和 LISTA。

    Jan, 2018

  • 稀疏置换不变协方差估计

    提出一种构建稀疏估计器的方法，用于高维背景下的逆协方差（浓度）矩阵，使用罚函数正态似然方法强制使用 Lasso 型惩罚，并在数据维数 $p$ 和样本量 $n$ 随着增长收敛速率之间建立 Frobenius 范数。同时对真实浓度矩阵进行稀疏度量，提出一种基于相关性的方法，在操作规范下具有更好的收敛速率，推出一种快速迭代算法用于计算估计值，利用常用的 Cholesky 分解反演，得到一种置换不变的估算法，文中将这种方法应用于癌症组织分类的基因表达数据上，并与其他估算方法进行了比较。

    Jan, 2008

  • 通过稀疏极大似然估计进行模型选择

    使用加入 l1-norm 惩罚项的最大似然问题的解决办法来估计高斯或二元分布参数，以得到稀疏的无向图模型，并利用块坐标下降和 Nesterov's 一阶法等算法将复杂度限制在可接受范围内。

    Jul, 2007