在线Group Lasso学习

摘要：

对高维流式数据的在线组变量选择问题进行了研究,提出了带Group Lasso惩罚的逻辑斯蒂回归在线估计方法,并给出了 GFTPRL(Group Follow the Proximally Regularized Leader)算法.通过给出GFTPRL算法的缺憾界,证明了算法在理论上是有效的.实验结果表明,对于稀疏模型GFTPRL算法的预测分类准确率明显优于其他主流稀疏在线算法.

关键词：机器学习、Group Lasso、在线学习、逻辑斯蒂回归

所属期刊栏目：40

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;陕西省自然科学基金

在线出版日期：2023-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：310-320