General parameterized proximal point algorithm with applications in statistical learning
General parameterized proximal point algorithm with applications in statistical learning
复制标题
通用参数化近点算法在统计学习中的应用
DOI：
10.1080/00207160.2018.1427854
复制
发表时间：
2018-12
影响因子：
1.8
通讯作者：
Jiaofen Li
中科院分区：
文献类型：
--
作者：
Jianchao Bai;Jicheng Li;Pingfan Dai;Jiaofen Li
**摘要** 在文献中，很少有研究对邻近点算法（PPA）中的一些参数进行设计，特别是对于多目标凸优化而言。在PPA中引入一些参数可使其更灵活且更具吸引力。M（最后这个“M”不太清楚在原语境中的准确含义，如果还有更多相关内容，请提供完整信息以便更好地翻译）
ABSTRACT In the literature, there are a few researches to design some parameters in the proximal point algorithm (PPA), especially for the multi-objective convex optimizations. Introducing some parameters to PPA can make it more flexible and attractive. Mainly motivated by our recent work [Bai et al. A parameterized proximal point algorithm for separable convex optimization. Optim Lett. (2017) doi:10.1007/s11590-017-1195-9], in this paper we develop a general parameterized PPA with a relaxation step for solving the multi-block separable structured convex programming. By making use of the variational inequality and some mathematical identities, the global convergence and the worst-case convergence rate of the proposed algorithm are established. Preliminary numerical experiments on solving a sparse matrix minimization problem from statistical learning validate that our algorithm is more efficient than several state-of-the-art algorithms.
登录
查看更多内容
影响因子：
2.7
作者：
ECKSTEIN, J;BERTSEKAS, DP
通讯作者：
BERTSEKAS, DP
从不完整和有噪声的观测中恢复矩阵的低秩和稀疏分量
影响因子：
3.1
作者：
Tao, Min;Yuan, Xiaoming
通讯作者：
Yuan, Xiaoming
一类用于线性约束凸优化的定制近点算法
影响因子：
2.6
作者：
Ma, Feng;Ni, Mingfang
通讯作者：
Ni, Mingfang
DOI：
10.1007/s11425-013-4683-0
发表时间：
2013-08
期刊：
Science China Mathematics
影响因子：
--
作者：
Xingju Cai;G. Gu;B. He;Xiaoming Yuan
通讯作者：
Xingju Cai;G. Gu;B. He;Xiaoming Yuan
交替方向法联合稀疏恢复的收敛性分析
影响因子：
4
作者：
Liao, Anping;Yang, Xiaobo;Lei, Yuan
通讯作者：
Lei, Yuan