Fused sparsity and robust estimation for linear models with unknown variance

Yin Chen 1, 2 Arnak S. Dalalyan 1, 2, 3
1 IMAGINE [Marne-la-Vallée]
LIGM - Laboratoire d'Informatique Gaspard-Monge, CSTB - Centre Scientifique et Technique du Bâtiment, ENPC - École des Ponts ParisTech
Abstract : In this paper, we develop a novel approach to the problem of learning sparse representations in the context of fused sparsity and unknown noise level. We propose an algorithm, termed Scaled Fused Dantzig Selector (SFDS), that accomplishes the aforementioned learning task by means of a second-order cone program. A special emphasize is put on the particular instance of fused sparsity corresponding to the learning in presence of outliers. We establish finite sample risk bounds and carry out an experimental evaluation on both synthetic and real data.
Type de document :
Communication dans un congrès
Neural Information Processing Systems (NIPS 2012), Dec 2012, United States. pp.1-16, 2012
Liste complète des métadonnées

Littérature citée [28 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-00742601
Contributeur : Arnak Dalalyan <>
Soumis le : mardi 16 octobre 2012 - 17:31:50
Dernière modification le : jeudi 7 février 2019 - 14:49:46
Document(s) archivé(s) le : jeudi 17 janvier 2013 - 11:40:09

Fichier

VarAdaFused3.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00742601, version 1

Citation

Yin Chen, Arnak S. Dalalyan. Fused sparsity and robust estimation for linear models with unknown variance. Neural Information Processing Systems (NIPS 2012), Dec 2012, United States. pp.1-16, 2012. 〈hal-00742601〉

Partager

Métriques

Consultations de la notice

722

Téléchargements de fichiers

242