带 Trace Lasso 正则化的自适应稀疏典型相关分析的流形不精确增广拉格朗日方法
最优化与控制
2020-03-23 v1 机器学习
摘要
典型相关分析（简称 CCA）通过寻找这些变量的一些线性组合来最大化相关系数，从而描述两组变量之间的关系。然而，在变量数超过样本量的高维情形，或者变量高度相关的情形下，传统 CCA 不再适用。本文利用 trace Lasso 正则化提出了一种自适应稀疏版 CCA（简称 ASCCA）。所提出的 ASCCA 降低了当协变量高度相关时估计量的不稳定性，从而改善了其可解释性。ASCCA 进一步被重构为黎曼流形上的优化问题，并针对所得优化问题提出了一种流形不精确增广拉格朗日方法。在不同的模拟设置下将 ASCCA 与其他稀疏 CCA 技术进行比较，说明 ASCCA 是可行且高效的。
引用
@article{arxiv.2003.09195,
title = {An Inexact Manifold Augmented Lagrangian Method for Adaptive Sparse Canonical Correlation Analysis with Trace Lasso Regularization},
author = {Kangkang Deng and Zheng Peng},
journal= {arXiv preprint arXiv:2003.09195},
year = {2020}
}
备注
21 pages