网络上快速鲁棒的稀疏性学习：一种去中心化代理中位数回归方法
机器学习
2022-03-02 v1 机器学习
统计方法学
摘要
由于其快速增长的的应用，去中心化稀疏性学习最近引起了大量关注。为了获得鲁棒且稀疏的估计量，一个自然的想法是采用非光滑中位数损失结合 稀疏正则化器。然而，大多数现有方法受到由双重非光滑目标引起的缓慢收敛性能的困扰。为了加速计算，在本文中，我们提出了一种去中心化代理中位数回归（deSMR）方法，用于高效求解去中心化稀疏性学习问题。我们展示了我们提出的算法以简单实现享有线性收敛速率。我们还研究了统计保证，表明我们提出的估计量在没有任何网络节点数量限制的情况下实现了近预言机收敛速率。此外，我们建立了稀疏支持恢复的理论结果。提供了详尽的数值实验和真实数据研究以证明我们方法的有效性。
引用
@article{arxiv.2202.05498,
title = {Fast and Robust Sparsity Learning over Networks: A Decentralized Surrogate Median Regression Approach},
author = {Weidong Liu and Xiaojun Mao and Xin Zhang},
journal= {arXiv preprint arXiv:2202.05498},
year = {2022}
}
备注
IEEE Transactions on Signal Processing, 2022