group lasso 块坐标下降

最新推荐文章于 2024-08-28 09:36:10 发布

Lem3101

最新推荐文章于 2024-08-28 09:36:10 发布

阅读量3.2k

点赞数 1

分类专栏：优化算法

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_20186593/article/details/80344815

版权

本文探讨了在优化目标中应用Group Lasso的块坐标下降法。通过分析一阶最优解条件，确定了当||pk||2≤λ时，xk=0是最优解的充分必要条件。此外，还解释了如何根据该条件更新xk的值，以逐步优化整个问题。

摘要由CSDN通过智能技术生成

group lasso 块坐标下降

优化目标：

min x 1 2 | | A x - b | | 22 + λ \sum j = 1 J | | x j | | 2

$\min_x \frac{1}{2}||Ax-b||_2^2+\lambda\sum_{j=1}^J||x_j||_2$
其中

A={ A1,…,AJ}∈Rn×m,x={ x1,…,xJ}∈Rm A = { A 1 , … , A J } ∈ R n × m , x = { x 1 , … , x J } ∈ R m $A=\{A_1,\dots,A_J\}\in R^{n\times m},x=\{x_1,\dots,x_J\}\in R^m$

目标函数可以化简为：

= = = = 1 2 | | A x - b | | 22 + λ \sum j = 1 J | | x j | | 2 1 2 (\sum i \sum j x T i A T i A j x j - 2 b T \sum i A i x i + b T b) + λ \sum j = 1 J | | x j | | 2 \sum k (1 2 (x T k A T k A k x k + 2 \sum i \neq k x T i A T i A k x k - 2 b T A k x k) + λ | | x k | | 2) + b T b 2 \sum k (1 2 x k A T k A k x

最低0.47元/天解锁文章

关注

1
点赞
踩
13

收藏

觉得还不错? 一键收藏
2
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。