一种用于一类全变差正则化估计问题的ADMM算法
摘要：交替增广Lagrangian方法用于具有两个项之和的凸优化问题，其中一个项在变量块中可分离，在连续变量块之间的差异中是可分离的。这类问题的示例包括融合Lasso估计、总变差去噪和带有交易成本的多周期投资组合优化。在我们方法的每个迭代中，第一步是分别对每个变量块进行优化，可以并行进行。第二步不在变量中可分离，但可以非常高效地进行。我们将该算法应用于基于均值变化（l\_1均值滤波）或方差变化（l\_1方差滤波）的数据分割。在一个数值示例中，我们展示了我们的实现相比于通用优化求解器SDPT3快了约10000倍。
作者：Bo Wahlberg, Stephen Boyd, Mariette Annergren, Yang Wang
论文ID：1203.1828
分类：Machine Learning
分类简称：stat.ML
提交时间：2012-03-09