高维交互贪婪方法在群稀疏性中的应用
摘要：已知分组结构的稀疏学习受到了广泛关注，因为它在高维数据分析中具有广泛的现代应用。虽然缩减类方法已经很好地研究了使用分组信息的优势，但对于贪婪类型方法的分组稀疏性的好处尚未得到充分的证明，这大大限制了我们对这一重要方法类别的理解和应用。本文基于流行的前向-后向贪婪方法进行一般化，提出了一种新的交互式贪婪算法用于分组稀疏学习，并证明了在高维设置下，所提出的贪婪类型算法可以实现所需的分组稀疏性优势。同时，我们还建立了一个优化其他现有方法的估计误差界限，并保证了分组支持恢复的准确性。此外，我们将一般的M估计框架与交互式特征相结合，以在理论性能不受损的情况下增加算法的灵活性。通过包括在家庭人体活动识别等实际工业应用在内的数值评估，我们证明了我们提出方法的有希望的应用。本文的补充材料可在线获取。
作者：Wei Qian, Wending Li, Yasuhiro Sogawa, Ryohei Fujimaki, Xitong Yang, Ji Liu
论文ID：1707.02963
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-09-28