Fugu-MT 論文翻訳(概要): Dynamic Incremental Optimization for Best Subset Selection

論文の概要: Dynamic Incremental Optimization for Best Subset Selection

arxiv url: http://arxiv.org/abs/2402.02322v4
Date: Sun, 08 Dec 2024 17:44:36 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-10 14:51:05.321620
Title: Dynamic Incremental Optimization for Best Subset Selection
Title（参考訳）: 最適サブセット選択のための動的インクリメンタル最適化
Authors: Shaogang Ren, Xiaoning Qian,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 15.8362578568708
License:
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-smooth non-convex problem. In this paper, we investigate the dual forms of a family of $\ell_0$-regularized problems. An efficient primal-dual algorithm is 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）: 最高のサブセット選択は、多くのスパース学習問題に対する'金の標準'と見なされる。この非滑らかな非凸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いて,効率的な主元双対アルゴリズムを開発した。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

Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文参考訳（メタデータ） (2024-11-07T17:05:31Z)
Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文参考訳（メタデータ） (2023-12-28T23:15:18Z)
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)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
Best Subset Selection with Efficient Primal-Dual Algorithm [24.568094642425837]
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。
論文参考訳（メタデータ） (2022-07-05T14:07:52Z)
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)
A novel multiobjective evolutionary algorithm based on decomposition and multi-reference points strategy [14.102326122777475]
分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
論文参考訳（メタデータ） (2021-10-27T02:07:08Z)
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)

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。