通过群稀疏下的凸规划学习异方差模型
机器学习
2013-04-17 v1
摘要
基于 -松弛的流行稀疏估计方法（如 Lasso 和 Dantzig 选择器）需要知道噪声方差才能正确调整正则化参数。这构成了在多种框架（如时间序列、随机场、逆问题）中应用这些方法的主要障碍，因为在这些框架中噪声很少是同方差的，且其水平难以预先知晓。在本文中，我们提出了一种在高维（自）回归设置下联合估计条件均值和条件方差的新方法。所提出的估计量的一个吸引人的特点是，即使对于非常大规模的问题，通过求解二阶锥规划（SOCP）也能高效计算。我们展示了理论分析和数值结果以评估所提出过程的性能。
引用
@article{arxiv.1304.4549,
title = {Learning Heteroscedastic Models by Convex Programming under Group Sparsity},
author = {Arnak S. Dalalyan and Mohamed Hebiri and Katia Méziani and Joseph Salmon},
journal= {arXiv preprint arXiv:1304.4549},
year = {2013}
}
备注
Proceedings of the 30 th International Conference on Machine Learning (2013) http://icml.cc/2013/?page_id=43