通过数据聚合对L1范数误差拟合进行优化
摘要：基于数据聚合的算法保证了收敛性到全局最优解，适用于具有拟合函数假设的广义L1-范数误差拟合模型。该算法是对文献中最新算法“聚集和迭代离散化”（AID）的推广，后者选择性地解决了三个特定的L1-范数误差拟合问题。借助该算法，任何符合L1-范数误差拟合问题形式，并满足拟合函数假设的模型都能得到最优解。该算法还能解决具有拟合系数矩阵任意约束条件的多维拟合问题，包括流行的回归和正交Procrustes问题。计算实验结果表明，相比于L1-范数回归子集选择和L1-范数回归超球面问题的现有基准，该算法速度更快。此外，随着数据规模的增加，该算法的相对性能也会提高。
作者：Young Woong Park
论文ID：1703.04864
分类：Machine Learning
分类简称：stat.ML
提交时间：2021-04-15