ترجمه فارسی مقاله ADMM هموارسازی غیرمتمرکز برای رگرسیون چندک با جریمه‌های پراکنده غیرمحدب

چکیده

In the rapidly evolving internet-of-things (IoT) ecosystem, effective data analysis techniques are crucial for handling distributed data generated by sensors. Addressing the limitations of existing methods, such as the sub-gradient approach, which fails to distinguish between active and non-active coefficients effectively, this paper introduces the decentralized smoothing alternating direction method of multipliers (DSAD) for penalized quantile regression. Our method leverages non-convex sparse penalties like the minimax concave penalty (MCP) and smoothly clipped absolute deviation (SCAD), improving the identification and retention of significant predictors. DSAD incorporates a total variation norm within a smoothing ADMM framework, achieving consensus among distributed nodes and ensuring uniform model performance across disparate data sources. This approach overcomes traditional convergence challenges associated with non-convex penalties in decentralized settings. We present theoretical proofs and extensive simulation results to validate the effectiveness of the DSAD, demonstrating its superiority in achieving reliable convergence and enhancing estimation accuracy compared with prior methods.

چکیده به فارسی (ترجمه ماشینی)

در اکوسیستم به سرعت در حال تحول اینترنت (IoT) ، تکنیک های مؤثر تجزیه و تحلیل داده ها برای دستیابی به داده های توزیع شده تولید شده توسط سنسورها بسیار مهم هستند.این مقاله با پرداختن به محدودیت های روشهای موجود ، مانند رویکرد زیر شیب ، که نمی تواند بین ضرایب فعال و غیر فعال به طور مؤثر تمایز قائل شود ، این مقاله روش جهت گیری متناوب صاف کننده غیر متمرکز (DSAD) را برای رگرسیون مجازات مجازات معرفی می کند.روش ما مجازاتهای پراکنده غیر متمایز مانند مجازات مقعر Minimax (MCP) و انحراف مطلق (SCAD) را به آرامی قطع می کند و باعث بهبود شناسایی و حفظ پیش بینی کننده های قابل توجه می شود.DSAD یک هنجار تنوع کلی را در یک چارچوب ADMM هموار کننده ، دستیابی به اجماع در بین گره های توزیع شده و اطمینان از عملکرد مدل یکنواخت در منابع داده های متفاوت قرار می دهد.این رویکرد بر چالش های همگرایی سنتی مرتبط با مجازات های غیر متمایز در تنظیمات غیر متمرکز غلبه می کند.ما اثبات نظری و نتایج شبیه سازی گسترده را برای اعتبارسنجی اثربخشی DSAD ارائه می دهیم ، و برتری آن را در دستیابی به همگرایی قابل اعتماد و افزایش دقت تخمین در مقایسه با روش های قبلی نشان می دهیم.