Abstract—Many computer vision and m

Abstract—Many computer vision and medical imaging problems are
faced with learning from large-scale datasets, with millions of observations
and features. In this paper we propose a novel efficient learning
scheme that tightens a sparsity constraint by gradually removing variables
based on a criterion and a schedule. The attractive fact that the
problem size keeps dropping throughout the iterations makes it particularly
suitable for big data learning. Our approach applies generically to
the optimization of any differentiable loss function, and finds applications
in regression, classification and ranking. The resultant algorithms build
variable screening into estimation and are extremely simple to implement.
We provide theoretical guarantees of convergence and selection
consistency. In addition, one dimensional piecewise linear response
functions are used to account for nonlinearity and a second order prior is
imposed on these functions to avoid overfitting. Experiments on real and
synthetic data show that the proposed method compares very well with
other state of the art methods in regression, classification and ranking
while being computationally very efficient and scalable.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ — คอมพิวเตอร์วิทัศน์และปัญหาเกี่ยวกับภาพทางการแพทย์จำนวนมากต้องเผชิญกับการเรียนรู้จากชุดข้อมูลขนาดใหญ่ มีนับล้านของการสังเกตและคุณลักษณะ ในกระดาษนี้ เราเสนอการเรียนรู้ที่มีประสิทธิภาพเป็นนวนิยายโครงร่างที่กระชับข้อจำกัด sparsity โดยการค่อย ๆ เอาตัวแปรตามเกณฑ์และกำหนดการ ความจริงที่น่าสนใจที่การขนาดปัญหาเรื่อย ๆ ตลอดทำซ้ำมันโดยเฉพาะเหมาะสำหรับการเรียนรู้ข้อมูล วิธีใช้โดยทั่วไปในการการเพิ่มประสิทธิภาพของฟังก์ชันใด ๆ สูญ differentiable ค้นหาในถดถอย การจัดประเภท และจัดลำดับ สร้างอัลกอริทึม resultantคัดเลือกตัวแปรในการประเมินและจะง่ายมากที่จะใช้เราให้การรับประกันทฤษฎีลู่เข้าและการเลือกความสอดคล้องกัน นอกจากนี้ หนึ่งมิติ piecewise ตอบสนองเชิงเส้นฟังก์ชั่นที่ใช้สำหรับ nonlinearity และก่อนลำดับสองคือเรียกเก็บจากฟังก์ชันเหล่านี้เพื่อหลีกเลี่ยงการ overfitting การทดลองของจริง และสังเคราะห์ข้อมูลแสดงว่า วิธีการนำเสนอเปรียบเทียบอีกด้วยวิธีรัฐของศิลปะอื่น ๆ ในถดถอย การจัดประเภท และจัดลำดับขณะเป็น computationally อย่างมีประสิทธิภาพ และปรับขนาดได้

ผลลัพธ์ (ไทย) 2:

บทคัดย่อจำนวนมากคอมพิวเตอร์วิสัยทัศน์และการถ่ายภาพทางการแพทย์ปัญหาที่
ต้องเผชิญกับการเรียนรู้จากชุดข้อมูลขนาดใหญ่ที่มีนับล้านของการสังเกต
และคุณสมบัติ ในบทความนี้เรานำเสนอการเรียนรู้ที่มีประสิทธิภาพนวนิยาย
รูปแบบที่กระชับ จำกัด sparsity โดยค่อยๆถอดตัวแปร
ขึ้นอยู่กับเกณฑ์และกำหนดการ ความจริงที่น่าสนใจว่า
ปัญหาขนาดช่วยให้ลดลงตลอดการทำซ้ำที่ทำให้มันโดยเฉพาะอย่างยิ่ง
เหมาะสำหรับการเรียนรู้ข้อมูลขนาดใหญ่ วิธีการของเรานำไปใช้โดยทั่วไปในการ
เพิ่มประสิทธิภาพการทำงานของการสูญเสียใด ๆ อนุพันธ์และพบการใช้งาน
ในการถดถอยการจำแนกและการจัดอันดับ ขั้นตอนวิธีการสร้างผล
การตรวจคัดกรองตัวแปรลงในการประมาณค่าและมีความง่ายมากที่จะใช้.
เราให้การค้ำประกันทางทฤษฎีของคอนเวอร์เจนซ์และการเลือก
ความสอดคล้อง นอกจากนี้หนึ่งมิติการตอบสนองเชิงเส้นค่
ฟังก์ชั่นที่ใช้ในการบัญชีสำหรับการเชิงเส้นและลำดับที่สองก่อนที่จะถูก
กำหนดไว้ในฟังก์ชั่นเหล่านี้เพื่อหลีกเลี่ยงการอิง ทดลองจริงและ
ข้อมูลที่สังเคราะห์แสดงให้เห็นว่าวิธีที่นำเสนอเปรียบเทียบเป็นอย่างดีกับ
รัฐอื่น ๆ ของวิธีการศิลปะในการถดถอยการจำแนกและการจัดอันดับ
ในขณะที่เป็นอย่างมีประสิทธิภาพและขยายขีดความสามารถคอมพิวเตอร์