多变量全变分最小化的在线近似
机器学习
2016-08-30 v2 数值分析
最优化与控制
摘要
在变点检测背景下，通过全变分最小化策略解决，已设计出高效的在线算法，可为单变量数据提供精确解。本文研究了将此在线策略扩展至多变量数据。所提算法依赖于对偶问题上Karush-Kuhn-Tucker (KKT) 条件的局部验证。由于多变量设置的非局部性质无法获得精确的在线解，我们设计了一种提供近似解的在线算法，其质量由使用者可调参数控制，该参数在质量与计算成本之间起到权衡作用。性能评估表明，在线获得的高质量解的计算成本比标准迭代过程低几个数量级。因此，所提算法为实践者提供了一种高效的多变量变点检测在线过程。
引用
@article{arxiv.1504.05854,
title = {On-the-fly Approximation of Multivariate Total Variation Minimization},
author = {Jordan Frecon and Nelly Pustelnik and Patrice Abry and Laurent Condat},
journal= {arXiv preprint arXiv:1504.05854},
year = {2016}
}