稀疏约束优化问题的研究中,通过开发名为 SCOPE 的算法,以强凸性和平滑性为特点的低维子空间中的非线性微分目标函数得到了有效收敛、无需参数调节以及能够正确恢复真实支撑集的解,同时在稀疏二次优化、稀疏分类器学习和二进制变量稀疏马尔科夫网络恢复等特定任务中显示出优越性能。
Jun, 2024
Scorch 是一个能够无缝集成高效稀疏张量计算到 PyTorch 生态系统的库,通过自动化关键优化,实现了在多个领域的深度学习模型中 1.05-5.78 倍的速度提升,为扩展深度学习和开发其他稀疏库提供了有价值的工具。
May, 2024
SciPy 是用于 Python 编程语言的开源科学计算库,涵盖聚类,傅里叶变换,积分,插值,文件 I/O,线性代数,图像处理,正交距离回归等众多领域,在 600 多个贡献者的努力下,它已经成为了 Python 编程语言中使用科学算法的事实标准,占据了超过一百万的下载量,其中包括了几乎一半基于机器学习的 GitHub 代码库。
Jul, 2019
通过稀疏回归算法,特别是利用迭代奇异值分解的穷尽搜索,提出了一种通用的快速稀疏回归算法(SPRINT),用于从数据中直接学习具备定性简单性和人类可解释性的数学描述,该算法在大型符号库上具有合理的计算成本。
本文提出了自适应稀疏编码(Self-Paced Sparse Coding,SPSC)框架,可逐步从简单到复杂地包含矩阵元素到编码学习中,以提高其学习鲁棒性并推广到不同层次的自适应学习。试验结果表明了该算法对于处理真实数据的有效性。
Sep, 2017
论文提出了一种利用稀疏岭回归方法迅速确定支配非线性动力学系统的方程的算法,该算法在实验中取得了可证明的优化结果并且比现有的商业求解器 Gurobi 解决的 MIP 公式快几个数量级。
Apr, 2023
通过在线学习,将卷积稀疏编码(CSC)目标重新表述,并利用交替方向乘子方法(ADMM)求解其优化问题,显著提高了算法训练效率和图像重建性能,同时能够处理更大规模的图像数据集。
Jun, 2017
该研究提出了一种贪心算法,Gradient Support Pursuit (GraSP),以近似任意形式损失函数的稀疏极小值,适用于稀疏逻辑回归等问题,算法性能通过在合成数据上的数值模拟进行评估。
Mar, 2012
改进版本的稀疏多维核谱聚类算法中,通过改良的方法提高了计算效率,并在合成数据和图像分割等实际问题上进行了计算实验,取得了理论和实际改进的结果。
Oct, 2023
本文提出一种简单的迭代正则化路径方法,通过稀疏 Mirror Descent 算法或带有非线性损失的 Linearized Bregman 迭代的动态,在 Restricted Strong Convexity (RSC) 和 Irrepresentable Condition (IRR) 的限制下,以达到不出错的子空间为首要目标,运用于稀疏逻辑回归和 Ising 模型的 NIPS 合著问题上,其性能与 glment 相当,进一步减小了偏差。
Oct, 2018