一种新颖的稀疏性与聚类正则化方法
机器学习
2014-02-21 v2 计算机视觉与模式识别
机器学习
摘要
我们提出了一种新颖的稀疏性与聚类（SPARC）正则化项，它是先前用于回归的八边形收缩与聚类算法（OSCAR）的改进版本，其中提出的正则化项由一个 -稀疏约束和一个限制在幅度最大的 个分量上的成对 范数组成。所提出的正则化项能够分离地强制 -稀疏性，并鼓励非零项在幅度上相等。此外，它可以准确地对特征进行分组，而不会收缩其幅度。事实上，SPARC 与 OSCAR 密切相关，因此前者的邻近算子可以基于后者高效计算，从而允许使用邻近分裂算法来解决具有 SPARC 正则化的问题。在合成数据和基准乳腺癌数据上的实验表明，SPARC 是一种具有竞争力的用于回归和分类的组稀疏诱导正则化项。
引用
@article{arxiv.1310.4945,
title = {A novel sparsity and clustering regularization},
author = {Xiangrong Zeng and Mário A. T. Figueiredo},
journal= {arXiv preprint arXiv:1310.4945},
year = {2014}
}