.png){kind=icon}
返回
Feature splitting parallel algorithm for Dantzig selectors
.png){kind=icon}
PRE
AI
DOI：10.1007/s11222-025-10658-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Dantzig选择器是超维数据变量选择中广泛使用且有效的方法。特征分裂是一种高效的处理技术，涉及将这些超维变量数据集划分为可在单机上更易于存储和处理的可管理子集。本文提出了一种基于近点算法的变量分裂并行算法，用于求解凸和非凸Dantzig选择器。与现有并行方法相比，我们并行算法的主要优势在于显著减少了迭代变量的数量，这极大地提高了计算效率并加速了算法的收敛速度。此外，我们证明了我们的解与数据如何划分无关，这一性质被称为划分无关性。在理论上，我们使用简洁的证明框架来证明该算法具有线性收敛性。数值实验表明，我们的算法在并行和非并行环境中均表现出竞争力。用于实现所提出算法的R包可从https://github.com/xfwu1016/PPADS获取。
Keyword:
Dantzig selector
Feature splitting
Parallel computing
Partition-insensitive
Proximal point algorithm
期刊
S
IF:
1.6
论文数:
200
被引数:
0
机构
引用论文
Discussion:: The Dantzig selector:: Statistical estimation when p is much larger than n.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏A First-Order Primal-Dual Algorithm for Convex Problems with Applications to Imaging凸问题的一阶原始对偶算法及其在成像中的应用OAAI
OAAI分享收藏Molecular Classification of Cancer: Class Discovery and Class Prediction by Gene Expression MonitoringScience
ScienceIF0
PREAI
分享收藏分享收藏The Dantzig selector: recovery of signal via ℓ
1 − αℓ
2 minimizationDantzig选择器：通过ℓ₁ − αℓ₂最小化恢复信号
OAAI
OAAI分享收藏
查看更多内容