Resumen

El método de descomposición de penalizaciones es un método eficaz y versátil para la optimización dispersa y se ha aplicado con éxito para resolver la detección comprimida, la regresión logística dispersa, la selección de covarianza inversa dispersa, la minimización de bajo rango, la restauración de imágenes, etc. Con el aumento de los parámetros de penalización, una secuencia de subproblemas de penalización requeridos que se resuelven por el método de descomposición de penalización puede consumir mucho tiempo. En este trabajo se propone una aceleración del método de descomposición de penalizaciones para el problema de optimización disperso. Para cada parámetro de penalización, este método sólo encuentra algunas soluciones inexactas para esos subproblemas. Los experimentos computacionales sobre una serie de instancias de prueba demuestran la eficacia y eficiencia del método propuesto para generar con precisión representaciones dispersas y redundantes de señales aleatorias unidimensionales.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:métodos de descomposición de la penalización, parámetros de penalización, problema de optimización dispersa, número de pruebas, regresión logística dispersa, selección de covarianza inversa, secuencia de penalización, minimización de bajo rango, señal aleatoria dimensional, experimento computacional
• Keywords:penalty decomposition methods, penalty parameters, sparse optimization problem, number of test, sparse logistic regression, inverse covariance selection, sequence of penalty, low rank minimization, dimensional random signal, computational experiment