Regroupement difficile itératif des caractéristiques.

Résumé Nous cherchons à regrouper les caractéristiques dans les problèmes d'apprentissage supervisé en contraignant les coefficients du vecteur de prédiction à ne prendre qu'un petit nombre de valeurs. Ce problème inclut des contraintes non convexes et est résolu en utilisant la descente de gradient projetée. Nous prouvons des résultats de récupération exacts en utilisant des conditions de valeurs propres restreintes. Nous étendons ensuite ces résultats pour combiner les contraintes d'éparpillement et de regroupement, et nous développons un algorithme de projection efficace sur l'ensemble des vecteurs regroupés et épars. Des expériences numériques illustrent les performances de nos algorithmes sur des ensembles de données synthétiques et réelles.