关键词trace norm regularization
搜索结果 - 4
- 重新审视低秩矩阵分解的迹范数正则化
本文中提出了一种迭代元算法,通过动态扩展参数空间,避免优化陷入局部最优解,从而更好地解决低秩矩阵因式分解问题及其应用。
- 张量补全的新凸松弛方法
该论文研究了如何通过欧几里得球的凸松弛和乘子法方法解决张量学习中由于痕迹规范化限制而存在的限制,并在合成和真实数据集上对该方法进行了验证,表明其估计误差显著降低,同时保持计算可行性。
- 带痕范数正则化的多任务学习的超额风险界
通过轨迹规范化正则化方法,可以在多任务学习中提高精度和性能,并给出过量风险界,并且独立于输入空间维度,同时考虑到数据分布的属性以及任务数和每个任务的示例数。
- 通过凸优化估计低秩张量
提出三种方法用于从部分观察中估计多维数组(张量)的 Tucker 分解,这些方法都可以自动估计因子数(秩),并采用凸优化进行求解,其中采用的主要技术是迹范数正则化,还提出了简单的启发式方法以提高因子分解的可解释性。通过合成和真实数据集上的数