通过DC规划的次模函数差最小化

最小化两个次模函数之差（DS）是一个在各种机器学习问题中自然出现的问题。尽管众所周知DS问题可等价地表述为两个凸函数之差（DC）的最小化，现有算法并未充分利用这一联系。DC问题的经典算法称为DC算法（DCA）。我们引入DCA的变体及其完全形式（CDCA），并将其应用于对应于DS最小化的DC规划。我们扩展了DCA已有的收敛性质，并将其与DS问题上的收敛性质相联系。我们在DCA上的结果匹配现有DS算法满足的理论保证，同时提供了更完整的收敛性质刻画。在CDCA的情形，我们得到了更强的局部极小性保证。我们的数值结果表明，所提算法在语音语料选择和特征选择两个应用上优于现有基线。