.png){kind=icon}
返回
Parallel ADMM Algorithm with Gaussian Back Substitution for High-Dimensional Quantile Regression and Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s11222-025-10631-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在高维数据分析领域，基于分位数损失函数的建模方法因其能够提供全面的统计视角并有效处理异构数据而备受推崇。近年来，许多研究聚焦于使用并行交替方向乘子法（P-ADMM）求解高维分位数回归和分类问题。一种高效策略是通过引入松弛变量对分位数损失函数进行重参数化。然而，这种重参数化引入了理论挑战：即使正则化项是凸的，算法的收敛性也无法保证。为应对这一挑战，本文提出了高斯回代（Gaussian Back-Substitution）策略，该策略仅需一个简单有效的修正步骤，即可轻松集成到现有并行算法框架中，并实现线性收敛率。此外，本文将并行算法扩展以处理一些新颖的分位数损失分类模型。数值模拟表明，所提出的改进型P-ADMM算法在可靠性和效率方面表现出色。用于实现所提算法的R软件包可从https://github.com/xfwu1016/QPADMslackGB获取。
Keyword:
Three-block ADMM
Gaussian back substitution
Massive data
Parallel algorithm
期刊
S
IF:
1.6
论文数:
200
被引数:
0
机构
引用论文
On non-ergodic convergence rate of Douglas–Rachford alternating direction method of multipliers
.png){kind=icon}
PREAI
分享收藏分享收藏
分享收藏分享收藏
查看更多内容