Group Lasso 的原理与应用场景
哪些公司问过
答案要点
- 惩罚项为各组系数 L2 范数(不平方)之和,常乘以组大小平方根 √p_g 做平衡
- 效果是整组系数同时为零或非零:组间稀疏、组内不稀疏,区别于 Lasso 的单个变量稀疏
- 求解常用近端梯度或块坐标下降,核心是组软阈值算子
- 应用:one-hot 类别变量、样条或多项式基展开、基因通路选择、多任务学习的 L2,1 正则
- 组内也需稀疏时用 Sparse Group Lasso,同时加 L1 与组 L2 惩罚
易错点
- 把惩罚写成 L2 范数的平方,那样不产生稀疏
- 以为 Group Lasso 会在组内挑选单个变量
- 不同大小的组不加权,导致大组更容易被选中
面试官常见追问
- 为什么用不平方的 L2 范数才能得到组稀疏?
- 组软阈值具体怎么算?
- 组之间有重叠时怎么办?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。