Метод l1-регуляризации и теория двойственности в машинном обучении

03 июня 2026 года
Акимов П.А.

В докладе предложен метод априорной l1- регуляризации в классической задаче машинного обучения  - задаче логистической регрессии. В отличие от распространенных подходов, учитывается априорная информация о параметрах модели. Представлен новый алгоритм численного решения, являющийся развитием используемого в методе наименьших модулей алгоритма вариационно-взвешенных квадратических приближений. С помощью теории двойственности построены оценки уровней неоптимальности приближенных решений, что наиболее актуально при решении задач большой размерности. На практическом примере продемонстрированы свойства предложенного метода, в т.ч. его устойчивость при аномалиях в данных и способность формировать «разреженные» решения.