关于机器学习中诱导稀疏性的正则化方法

在过去几年中，基于稀疏正则化的学习方法引起了极大的关注。在本文中，我们讨论了一类此类通用方法，其中正则化子可表示为凸函数 $\omega$ 与线性函数的复合。该设定包含多种方法，如组 Lasso、融合 Lasso、多任务学习等。我们提出了一种求解此类正则化问题的通用方法，前提是函数 $\omega$ 的近端算子可用。此外，我们评论了该方法在支持向量机中的应用，这是一项由 Vladimir Vapnik 开创性工作所引领的技术。