Feb, 2017

含趋势过滤的加法模型

PDF
TL;DR本研究采用趋势滤波构建的加法模型，使每个组件都受其 k​​​​​​​​​​​​​(离散) 导数的（离散）全变差正则化，以得到 k​​​​​​​​​​​​​次片段多项式组件。我们推导出加法趋势滤波估计的快速误差率，表明当基础函数为可加性函数且其组件函数的导数具有有界变化时，这些率是极小化最优的。此外，我们描述了一种新的并行迭代的后调优算法，提高了计算效率，并通过实验证明了加法趋势滤波的优越性。
发现论文，激发创造
  • 趋势滤波调节分段多项式估计

    通过将 trend filtering 估计与局部自适应回归样条进行比较，发现 trend filtering 估计可以更好地适应平滑度的局部水平，与局部自适应回归样条非常相似，而且在 k 阶可变差分函数的情况下，trend filtering 估计收敛于类较小化速率，从而提供了理论支持。

    Apr, 2013

  • 单变量全变差去噪和趋势过滤中的自适应风险界限

    探讨 trend filtering 方法在强稀疏性情况下的表现，研究了每个正整数 $r$ 的趋势过滤估计器，发现其具有很好的性能，因此支持在强稀疏性情况下使用 trend filtering 方法。

    Feb, 2017

  • 图上的趋势过滤

    基于离散图差的 L1 范数惩罚，我们介绍了一族图上的自适应估计器。该方法将非参数回归中的趋势滤波推广到图中，相当于 univariate case，它表现出一定程度的局部适应性，也是由一个凸优化问题定义的，可以很容易地通过高效 ADMM 或 Newton 算法进行求解。通过实例和理论，我们展示了图趋势滤波的优点。

    Oct, 2014

  • 快速灵活的 ADMM 趋势滤波算法

    本文提出了一种用于趋势过滤的快速而稳健的算法，能够达到最小化最优误差率并提高数值稳定性，有利于更广泛的实际应用。

    Jun, 2014

  • 分段多项式趋势的自适应在线估计

    文章探讨带有噪声梯度反馈的非平稳随机优化框架，在比较序列变化的动态策略中，研究在线学习算法的动态后悔，并引入了 Total Variation ball 等新颖变分约束来建模比较序列，并基于基于小波的非参数回归理论，设计出一个多项式时间算法，并证明了该算法达到了几乎最优的动态后悔，该策略适应未知的半径。

    Sep, 2020

  • 加性函数回归的最优预测

    本文提出了一种基于 Reproducing Kernel Hilbert Spaces 的估计方法，建立了在预测误差方面我们估计的最优收敛率的非线性函数回归模型，并讨论了在这些复杂模型中出现的计算挑战。同时提供了仿真及应用：在 2008 年金融危机期间的累积日内回报。

    Aug, 2017

  • RobustTrend: 一个利用组合的一阶和二阶差分正则化的 Huber 损失函数进行时间序列趋势过滤的方法

    本文提出一种基于鲁棒统计和稀疏学习的趋势过滤算法，采用 Huber 损失压制离群值并利用一阶和二阶差分组合作为正则化以捕捉缓慢和突变的趋势变化，通过主元最小化与多项式替代方向法设计出有效的方法来解决鲁棒趋势过滤，实验证明该算法优于其他九种最先进的趋势过滤算法。

    Jun, 2019

  • 高阶全变差正则化最小二乘预测界

    对于趋势过滤，我们通过将对总变异率的 k-1 阶差异惩罚与最小二乘估计相结合，并使用 “插值向量” 来上界 “有效稀疏度”，为其建立自适应结果。我们证明了 k∈{1,2,3,4} 的结果，并指示了如何导出 k∈$\mathbb {N}$ 的一般情况。

    Apr, 2019

  • 通过凸规划在核类上为稀疏加法模型获取极小极值速率

    本文研究了稀疏可加模型的估计方法，通过使用核函数和凸正则化，对在重要条件下估计函数具有良好的表现，同时证明了该方法的最优性并获得了最小极值速率。

    Aug, 2010

  • 非凸惩罚的矢量图趋势滤波

    本研究研究了分段平滑图信号的去噪问题，使用非凸正则化器对值为向量的图信号进行了扩展，提高了恢复性能。提出了基于 ADMM 的算法来解决问题和证明了其收敛性。

    May, 2019