컴퓨터 비전 및 빅 데이터 학습을 위한 열처리를 이용한 특징 선택

많은 컴퓨터 비전 및 의료 이미징 문제는 수백만 개의 관측치와 특징을 가진 대규모 데이터셋에서 학습하는 데 직면해 있습니다. 본 논문에서는 기준과 일정을 기반으로 변수를 점진적으로 제거하여 희소성 제약을 강화하는 새로운 효율적인 학습 방식을 제안합니다. 반복 과정 동안 문제 크기가 지속적으로 감소한다는 매력적인 사실은 이것이 빅 데이터 학습에 특히 적합하게 만듭니다. 우리의 접근법은 모든 미분 가능한 손실 함수의 최적화에 일반적으로 적용되며, 회귀, 분류 및 순위 매기기에서 응용 프로그램을 찾습니다. 결과적인 알고리즘은 추정에 변수 스크리닝을 포함하며 구현이 매우 간단합니다. 우리는 수렴 및 선택 일관성에 대한 이론적 보장을 제공합니다. 또한 비선형성을 고려하기 위해 1차원 조각별 선형 반응 함수를 사용하고, 과적합을 피하기 위해 이러한 함수에 2차 사전이 부과됩니다. 실제 및 합성 데이터에 대한 실험은 제안된 방법이 회귀, 분류 및 순위 매기기에서 다른 최신 방법들과 매우 잘 비교되며 계산적으로 매우 효율적이고 확장 가능함을 보여줍니다.