A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
A Douglas–Rachford method for sparse extreme learning machine (2019)


Kärkkäinen, T., & Glowinski, R. (2019). A Douglas–Rachford method for sparse extreme learning machine. Methods and Applications of Analysis, 26(3), 217-234. https://doi.org/10.4310/MAA.2019.v26.n3.a1


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Kärkkäinen, Tommi; Glowinski, Roland

Lehti tai sarja: Methods and Applications of Analysis

ISSN: 1073-2772

eISSN: 1945-0001

Julkaisuvuosi: 2019

Volyymi: 26

Lehden numero: 3

Artikkelin sivunumerot: 217-234

Kustantaja: International Press

Julkaisumaa: Yhdysvallat (USA)

Julkaisun kieli: englanti

DOI: https://doi.org/10.4310/MAA.2019.v26.n3.a1

Julkaisun avoin saatavuus: Ei avoin

Julkaisukanavan avoin saatavuus:


Tiivistelmä

Operator-splitting methods have gained popularity in various areas of computational sciences, including machine learning. In this article, we present a novel nonsmooth and nonconvex formulation and its efficient associated solution algorithm to derive a sparse predictive machine learning model. The model structure is based on the so-called extreme learning machine with randomly generated basis. Our computational experiments confirm the efficiency of the proposed method, when a bold selection of the timestep is made. Comparative tests also indicate interesting results concerning the use of the l0 seminorm for ultimate sparsity.


YSO-asiasanat: koneoppiminen; matemaattinen optimointi

Vapaat asiasanat: operator-splitting; Douglas–Rachford; extreme learning machine; sparse regularization


Liittyvät organisaatiot


OKM-raportointi: Kyllä

Raportointivuosi: 2020

JUFO-taso: 1


Viimeisin päivitys 2021-07-07 klo 21:38