矩阵L2,1范数及矩阵L2,p范数的求导

1、向量范数

1-范数：，即向量元素绝对值之和，matlab调用函数norm(x, 1) 。

2-范数：，Euclid范数（欧几里得范数，常用计算向量长度），即向量元素绝对值的平方和再开方，matlab调用函数norm(x, 2)。

∞-范数：，即所有向量元素绝对值中的最大值，matlab调用函数norm(x, inf)。

-∞-范数：，即所有向量元素绝对值中的最小值，matlab调用函数norm(x, -inf)。

p-范数：，即向量元素绝对值的p次方和的1/p次幂，matlab调用函数norm(x, p)。

 

2、矩阵范数

 

1-范数：， 列和范数，即所有矩阵列向量绝对值之和的最大值，matlab调用函数norm(A, 1)。

2-范数：，谱范数，即A'A矩阵的最大特征值的开平方。matlab调用函数norm(x, 2)。

∞-范数：，行和范数，即所有矩阵行向量绝对值之和的最大值，matlab调用函数norm(A, inf)。

F-范数：，Frobenius范数，即矩阵元素绝对值的平方和再开平方，matlab调用函数norm(A, ’fro‘)。

 

常见的矩阵范数有L1，L2，范数，F范数和引申出的L2,1范数。而在机器学习的特征选择中，利用选择矩阵的范数对选择矩阵进行约束，即是正则化技术，是一种稀疏学习。

，向量范数

•  范数

   范数是指向量中的非0的个数，是一种度量向量稀疏性的表示方法。例如：，那么。

•  范数 
   范数是向量中元素的绝对值之和，即，也描述了向量的稀疏性。 

  
  

   

从图中可以看出，的取值在之间时，范数不具有凸性。在实际的优化中，是无法进行优化的，因此，一般会将范数转化为范数，或者是其他可优化的范数。

矩阵的范数

为了度量稀疏矩阵的稀疏性，则定义矩阵的一种范数，为： 

即为矩阵所有元素的绝对值之和，能够描述接矩阵的稀疏性，但是在优化时，难度较大，是将情况向矩阵中元素尽可能是0的方向优化。

 

矩阵的范数

而为了进一步说明矩阵的稀疏性，来说明特征选择中矩阵范数的作用。 

 

在特征选择中，通过稀疏化的特征选择矩阵来选取特征，即相当于是一种线性变换。 

 

矩阵范数的求导

对于特征选择矩阵，每一行（即行向量）用向量的2-范数描述，即。那么，描述化之后即为向量，那么对整个选择矩阵还需要用范数对进行描述，因为损失函数中的正则项，或称为正则化的项是一个数，而不是一个向量。因此再用1-范数对描述，即是的范数。 

这便是矩阵的范数的实际描述过程。矩阵的范数满足矩阵范数的自反性、非负性、对称性和三角不等式关系，是一个范数，这里不予证明。

 

那么，在线性学习模型，损失函数如： 

在优化中，矩阵的范数该如何求导？关于矩阵的F范数求导，可以参考矩阵的 Frobenius 范数及其求偏导法则。而矩阵范数求导如下推导： 
首先，先证明一个向量求导的问题,其中 , 而已知求导
那么，可得向量的求导为 

而对于一个矩阵 , 其中 是 的第 行。由矩阵的定义有
那么： 

这即是矩阵范数的求导结果。

 

矩阵一般化范数的求导

而向老师就矩阵一般化范数给出了推导，如下：