$\ell_0$-回归的安全筛选规则
机器学习
2020-04-21 v1 机器学习
摘要
我们给出了安全筛选规则，以从具有正则化或基数约束的回归中剔除变量。这些规则基于一个特征在最优解中可能被选中或不被选中的保证。筛选规则可以从凸松弛解在线性时间内计算得出，而无需解决优化问题。因此，它们可以在预处理步骤中使用，以先验地安全移除变量。在真实和合成数据上的数值实验表明，平均而言，76%的变量可以被固定到其最优值，从而显著减轻了优化的计算负担。因此，所提出的快速有效的筛选规则将-回归算法的适用范围扩展到了更大的数据集。
引用
@article{arxiv.2004.08773,
title = {Safe Screening Rules for $\ell_0$-Regression},
author = {Alper Atamtürk and Andrés Gómez},
journal= {arXiv preprint arXiv:2004.08773},
year = {2020}
}