论文部分内容阅读
软阈值缩减迭代算法（ISTA）以其简单的操作流程成为了机器学习流行的优化算法，但是收敛速度比较慢，仅为0（1/k）。快速软阈值缩减迭代算法（FISTA）通过加速技巧将收敛速度提高了一个数量级，达到了0（1/k）。然而，FISTA将托k特征向量每一维看成是独立同分布的，丢失了各维之间的相关性，会导致准确率下降和额外的时间开销。为了弥补上述的不足，文中提出了一种相关快速软阈值坐标下降算法（RFTCD）。通过大规模数据库实验证实了RFTCD的正确性和有效性。