Fugu-MT 論文翻訳(概要): Best Subset Selection with Efficient Primal-Dual Algorithm

論文の概要: Best Subset Selection with Efficient Primal-Dual Algorithm

arxiv url: http://arxiv.org/abs/2207.02058v1
Date: Tue, 5 Jul 2022 14:07:52 GMT
ステータス: 処理完了
システム内更新日: 2022-07-06 18:56:56.436504
Title: Best Subset Selection with Efficient Primal-Dual Algorithm
Title（参考訳）: 効率的プリマル双対アルゴリズムを用いた最適サブセット選択
Authors: Shaogang Ren, Guanhua Fang, Ping Li
Abstract要約: 多くの学習問題に対するベストサブセット選択は「ゴールドスタンダード」と見なされている。本稿では,$ell$-regularized問題系の二重形式について検討する。主問題構造と双対問題構造に基づく効率的な主対法が開発されている。
参考スコア（独自算出の注目度）: 24.568094642425837
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Best subset selection is considered the `gold standard' for many sparse learning problems. A variety of optimization techniques have been proposed to attack this non-convex and NP-hard problem. In this paper, we investigate the dual forms of a family of $\ell_0$-regularized problems. An efficient primal-dual method has been developed based on the primal and dual problem structures. By leveraging the dual range estimation along with the incremental strategy, our algorithm potentially reduces redundant computation and improves the solutions of best subset selection. Theoretical analysis and experiments on synthetic and real-world datasets validate the efficiency and statistical properties of the proposed solutions.
Abstract（参考訳）: 最適なサブセット選択は、多くのスパース学習問題において'ゴールド標準'と見なされる。この非凸問題とNPハード問題に対する様々な最適化手法が提案されている。本稿では,$\ell_0$-regularized問題系の双対形式について検討する。主問題構造と双対問題構造に基づく効率的な主対法が開発されている。この2値範囲推定とインクリメンタルな戦略を活用することで,アルゴリズムは冗長な計算を減らし,最適部分集合選択の解を改善することができる。合成および実世界のデータセットに関する理論的解析と実験は、提案した解の効率性と統計的性質を検証する。

関連論文リスト

Dynamic Incremental Optimization for Best Subset Selection [15.8362578568708]
最良のサブセット選択は、多くの学習問題に対する金の標準と見なされている。主問題構造と双対問題構造に基づいて,効率的な部分集合双対アルゴリズムを開発した。
論文参考訳（メタデータ） (2024-02-04T02:26:40Z)
Combining Kernelized Autoencoding and Centroid Prediction for Dynamic Multi-objective Optimization [3.431120541553662]
本稿では,カーネル化された自己コード進化探索と遠近法に基づく予測を組み合わせた統一パラダイムを提案する。提案手法は,多くの複雑なベンチマーク問題に対して,最先端の5つのアルゴリズムと比較する。
論文参考訳（メタデータ） (2023-12-02T00:24:22Z)
Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文参考訳（メタデータ） (2023-07-17T20:11:56Z)
Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文参考訳（メタデータ） (2023-02-24T18:41:48Z)
Solving integer multi-objective optimization problems using TOPSIS, Differential Evolution and Tabu Search [4.213427823201119]
本稿では,非線形整数多目的最適化問題の解法を提案する。第一に、問題は理想解(TOPSIS)に類似した順序選好法を用いて定式化される。次に、その3つのバージョン(標準DE、DEGL、DEGL)における微分進化(DE)アルゴリズムが、DEベストとDEGLとして使用される。 DEアルゴリズムで見つかる解は連続であるため、最適化プロセス中に整数解を見つけるためにTabu Search (TS)アルゴリズムが使用される。
論文参考訳（メタデータ） (2022-04-05T23:59:33Z)
Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。これらの問題に対する新規で簡単な最適化法を開発した。結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
論文参考訳（メタデータ） (2021-09-23T17:38:24Z)
Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文参考訳（メタデータ） (2020-10-15T18:09:48Z)
Meta-learning based Alternating Minimization Algorithm for Non-convex Optimization [9.774392581946108]
複数変数の非プロブレムに挑戦する新しい解を提案する。提案手法では,他の手法が一般的に失敗するケースに対して,効果的なイテレーションを実現することができる。
論文参考訳（メタデータ） (2020-09-09T10:45:00Z)
A Riemannian Primal-dual Algorithm Based on Proximal Operator and its Application in Metric Learning [3.511851311025242]
一次変数と双対変数を反復的に最適化する原始双対アルゴリズムを提案する。提案アルゴリズムの収束を証明し,その非漸近収束率を示す。ファンドマネージメントにおける最適ファンド選択問題に関する予備実験の結果,有効性が確認された。
論文参考訳（メタデータ） (2020-05-19T03:31:01Z)
Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文参考訳（メタデータ） (2020-02-21T17:45:32Z)
Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文参考訳（メタデータ） (2020-01-29T09:40:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。