مدلسازی پراکنده سلسله مراتب اشتراکی

مدل سازی انعطاف پذیر یک چارچوب قدرتمند برای تجزیه و تحلیل داده ها و پردازش داده ها است. به طور سنتی، کدگذاری در این چارچوب با حل یک مشکل رگرسیون خطی حلقوی L-1، معمولا Lasso نامیده می شود. در این کار ما ابتدا خواص القا کننده مدل Lasso را در سطح ویژگی فردی با خصوصیات انعکاسی بلوک مدل گروه Lasso ترکیب می کنیم، جایی که گروه های پراکنده از ویژگی ها به صورت مشترک کدگذاری می شوند و یک الگوریتم اسپارسیتی را که سلسله مراتبی ساختار یافته را به دست می اورد. این نتیجه در سلسله مراتبی Lasso است که نشان می دهد مزایای مدل سازی عملی مهم است. سپس این رویکرد را به مورد مشارکتی گسترش می دهیم، جایی که مجموعه ای از سیگنال های به طور همزمان کدگذاری یک الگوی اسپارسیتی(ریزش) مشابه در سطح بالاتر (گروهی) دارند، اما نه لزوما در پایین تر. سپس سیگنال ها گروه های فعال یا گروه ها را به اشتراک می گذارند اما لزوما همان مجموعه فعال نیستند. این برای برنامه های کاربردی مانند جداسازی منبع بسیار مناسب است. یک روش بهینه سازی کارآمد، که همگرایی را به بهینه ی جهانی تضمین می کند، برای این مدل های جدید طراحی شده است. ارائه پایه چارچوب جدید و رویکرد بهینه سازی با نمونه های تجربی و نتایج نظری اولیه تکمیل می شود.

lasso، سلسه مراتب اشتراکی، اسپارسیتی