$l_1$ regularization | BriefGPT

关键词$l_1$ regularization

搜索结果 - 6

NIPS正则化的离线 TD 学习
本文提出了一种新的 $l_1$ 正则化的离策略收敛 TD 学习方法（称为 RO-TD），能够以较低的计算复杂度学习值函数的稀疏表示，并且具有在线凸正则化的特征选择能力。详细的理论和实验分析表明该算法具有离策略收敛、稀疏特征选择能力和低计算成
PDF4 years ago
一种用于训练 $l_1$ 正则化线性分类器的分布式块坐标下降法
本研究设计了一种分布式算法来解决 $l_1$ 正则化问题，通过块优化和 Gauss-Seidel 算法更新，达到减少迭代次数和加速算法的目的，在全局收敛率方面得到了理论支持。实验表明，该方法比现有方法更快。
PDF10 years ago
ICMLL1 正则近似线性规划中状态关联权重和采样分布对近似精度的分析
探讨了 $L_1$ 正则化在价值函数逼近中的应用，介绍了一种基于 $L_1$ 正则化的近似线性规划方法（RALP）：通过离线策略样本逼近最优价值函数并生成优于以往方法的策略；同时讨论了目标函数中状态关联权重和样本分布对模型逼近品质的影响，给
PDF10 years ago
ICML稀疏强化学习的贪心算法
详细分析了正交匹配追踪（OMP）在强化学习中的可行性和效率，同时与 $L_1$ 正则化方法进行比较，并提出了支持特征字典假设的 OMP-BRM 变体和在近似准确度和效率方面优于先前方法的 OMP-TD 变体。
PDF12 years ago
ICML基于正则化的特征选择在近似线性规划中用于 Markov 决策过程
本文介绍了使用 $L_1$ 正则化方法的近似线性规划，以解决过多和丰富的特征对现有算法的过拟合问题，并为正则化的近似线性规划提供新的和更强的采样上界；并提出了计算有效的同伦方法。在简单的 MDPs 和基准问题上，提出的方法表现良好。
PDF14 years ago
关于带有 L1 正则化的最小二乘回归的一些尖锐性能界
通过参数估计准确性和特征选择质量两个角度，我们得出了最小二乘回归与 $L_1$ 正则化的性能边界。对于 $L_1$ 正则化得出的主要结果扩展了 Dantzig 选择器中 [Ann.Statist.35 (2007) 2313-2351] 类
PDF15 years ago