一种面向含非凸 $\ell_{q,p}$ 正则化结构化优化的筛选策略
机器学习
2022-08-04 v1 统计方法学
摘要
本文中，我们开发了一种简单而有效的筛选规则策略，以提升求解含非凸 正则化的结构化优化的计算效率。基于迭代重加权 (IRL1) 框架，所提筛选规则像一个预处理模块，可在启动子问题求解器前潜在地移除非活跃组，从而减少总计算时间。这主要通过在每次迭代中启发式地利用对偶子问题信息来实现。此外，我们证明了我们的筛选规则能在 IRL1 方法的有限次迭代内移除所有非活跃变量。数值实验表明，与若干 SOTA 算法相比，我们的筛选规则策略是高效的。
引用
@article{arxiv.2208.02161,
title = {A Screening Strategy for Structured Optimization Involving Nonconvex $\ell_{q,p}$ Regularization},
author = {Tiange Li and Xiangyu Yang and Hao Wang},
journal= {arXiv preprint arXiv:2208.02161},
year = {2022}
}