同时恢复低秩和双向稀疏系数矩阵的非凸方法
摘要：低秩矩阵的恢复问题的研究与低秩及行和/或列稀疏矩阵相关，这种矩阵出现在近期的认知神经科学、成像、计算机视觉、宏观经济学和遗传学应用中。我们提出了一种GDT（梯度下降与硬阈值）算法，通过在一个非凸约束集上最小化双凸函数来高效地恢复具有这种结构的矩阵。我们证明了通过GDT得到的迭代序列线性收敛到统计误差范围内的最优解。作为我们方法的一个应用，我们考虑了多任务学习问题，并且证明了GDT得到的统计误差率接近于极小化率。实验证明，在模拟和真实数据集上与现有方法相比，GDT具有竞争性能和更快的运行速度。
作者：Ming Yu, Varun Gupta, Mladen Kolar
论文ID：1802.06967
分类：Machine Learning
分类简称：stat.ML
提交时间：2019-04-11