.png){kind=icon}
返回
Fast Proximal Gradient Methods with Node Pruning for Tree-Structured Sparse Regularization
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06096-9_7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于结构信息的稀疏学习是特征选择的基本框架。在各种结构中，树是一种在特征向量中出现的基结构，树结构正则化已被用于将树整合到目标函数中。尽管近端梯度法（PGM）通常用于优化，但它们在深度树结构或大型数据集上会产生高昂的计算成本。我们提出了一种快速的树结构正则化PGM。我们的方法安全地跳过PGM对树中不必要的叶节点的参数更新，此外，它还以分层方式修剪内部节点的不必要计算。我们的方法保证了与原始方法相同的优化结果和收敛速率。此外，它可以应用于各种树结构正则化的PGM。实验表明，我们的方法在保证精度的前提下，将处理时间最多减少了56%。
Keyword:
Sparse learning
Feature selection
Pruning method
期刊
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容