Efficient Solvers for SLOPE in R, Python, Julia, and C++
Johan Larsson, Malgorzata Bogdan, Krystyna Grzesiak, Mathurin Massias, Jonas Wallin
我们介绍了一套R、Python、Julia和C++的软件包,可以有效地解决排序L-One惩罚估计(SLOPE)问题。 这些软件包具有高效的混合坐标下降算法,适合广义线性模型(GLM),并支持各种损失函数,包括高斯,二项式,Poisson和多项式逻辑回归。 我们的实现旨在快速、高效且灵活。 这些包支持各种数据结构(密集、稀疏和内存外矩阵),旨在有效地适应完整的 SLOPE 路径,并处理 SLOPE 模型的交叉验证,包括轻松的 SLOPE。 我们介绍了如何使用软件包和基准测试在真实和模拟数据上的性能示例,并表明我们的软件包在速度方面优于 SLOPE 的现有实现。
We present a suite of packages in R, Python, Julia, and C++ that efficiently solve the Sorted L-One Penalized Estimation (SLOPE) problem. The packages feature a highly efficient hybrid coordinate descent algorithm that fits generalized linear models (GLMs) and supports a variety of loss functions, including Gaussian, binomial, Poisson, and multinomial logistic regression. Our implementation is designed to be fast, memory-efficient, and flexible. The packages support a variety of data structures ...
