.png){kind=icon}
返回
ℓ1-2 Regularization for Sparse Optimization: Consistency and Global Convergence
.png){kind=icon}
PRE
AI
DOI：10.1287/moor.2025.1095.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
& ell;1-2正则化方法在逼近线性反问题的稀疏解方面具有强大的稀疏性促进能力，并在各种数学学科和应用科学领域获得了成功应用。本文旨在研究& ell;1-2正则化问题的相容性理论和全局收敛算法。在理论方面，我们引入了与& ell;1-2惩罚相关的受限特征值条件概念，并利用它来建立& ell;1-2正则化问题全局解的oracle性质和恢复界。在算法方面，我们分别提出两种迭代阈值算法，采用截断技术和连续技术来解决& ell;1-2正则化问题。此外，在著名的受限等距性质假设下，我们建立了所提算法在容差（与噪声水平和恢复界相关）内收敛于真实稀疏解的结果。初步数值结果表明，所提算法能够逼近真实稀疏解，并在稀疏性恢复能力方面显著优于文献中的流行稀疏优化算法。
Keyword:
sparse optimization
l(1-2) regularization
consistency theory
iterative thresholding algorithm
global convergence
ground true solution
期刊
M
IF:
1.9
论文数:
84
被引数:
0
机构
引用论文
分享收藏A Unified Framework for High-Dimensional Analysis of M-Estimators with Decomposable Regularizers.png)
STATISTICAL SCIENCE
OAAI
STATISTICAL SCIENCEIF3.4
OAAI分享收藏A FAST ALGORITHM FOR SPARSE RECONSTRUCTION BASED ON SHRINKAGE, SUBSPACE OPTIMIZATION, AND CONTINUATION基于收缩，子空间优化和连续的稀疏重建快速算法
PREAI
分享收藏分享收藏分享收藏
查看更多内容