用于带子模函数凸松弛的结构化稀疏学习的参量最大流
机器学习
2015-09-15 v1 数值分析
摘要
通过子模函数的凸松弛获得的结构化惩罚的近端问题已知等价于在相应子模多面体上最小化可分离凸函数。本文中，我们揭示了一类全面的结构化惩罚，对于这些惩罚该问题可通过一类高效可解的参量最大流优化求解。然后我们展示 Gallo 等人提出的参量最大流算法及其变体（在最坏情况下仅以单次相应最大流优化计算代价的常数因子运行）可被调整以解决这些惩罚的近端问题。若干现有结构化惩罚满足这些条件；因此，使用这些惩罚的正则化学习可利用参量最大流算法快速求解。我们也研究了所提出框架的经验运行时间性能。
引用
@article{arxiv.1509.03946,
title = {Parametric Maxflows for Structured Sparse Learning with Convex Relaxations of Submodular Functions},
author = {Yoshinobu Kawahara and Yutaro Yamaguchi},
journal= {arXiv preprint arXiv:1509.03946},
year = {2015}
}