基于合成与真实应用数据集的稀疏协同学习梯度投影牛顿算法
最优化与控制
2022-11-15 v2
摘要
探索来自同一组的多组数据之间的关系，能使从业者们在医学与工程领域做出更好的决策。本文中，我们提出一种稀疏协同学习（SCL）模型，即带双稀疏约束的优化问题，以处理具有两组数据与一个共享响应变量的问题。它能够依据响应变量的离散性处理分类问题或回归问题，同时探索两个数据集之间的关系。为求解SCL，我们首先给出若干充要条件最优性条件，随后设计了一种梯度投影牛顿算法，该算法被证明可全局收敛至唯一的局部最优解，且至少具有二次收敛速率。最后，所报告的数值实验说明了所提方法的效率。
引用
@article{arxiv.2108.06605,
title = {Gradient Projection Newton Algorithm for Sparse Collaborative Learning Using Synthetic and Real Datasets of Applications},
author = {Jun Sun and Lingchen Kong and Shenglong Zhou},
journal= {arXiv preprint arXiv:2108.06605},
year = {2022}
}