联合稀疏样本加权与参数估计的非凸框架

研究人员提出 SWAPE 框架，通过联合优化模型参数与样本权重，在训练模型的同时为每个训练样本分配独立权重。该框架兼容凸、弱凸和差凸等多种损失函数，并采用基于 majorize-minimize 技术的交替最小化算法求解且保证算法收敛。多项学习任务与数据异常实验表明，该方法相比基准方法能更有效降低不良数据点的影响。