We develop and investigate new computational methods for data analysis problems belonging to the family of iteratively reweighted least squares (IRLS) algorithms. First, we discuss IRLS-methods for nonlinear regression entailing nonconvex or even nonsmooth optimization problems. Next, we introduce an IRLS-variant with a novel reweighting strategy for learning low-rank matrices that substantially enhances performance with respect to state-of-the-art methods. Finally, we present an IRLS-algorithm with a very general formulation allowing for learning signals with multiple or composed low-dimensional structures.     «

We develop and investigate new computational methods for data analysis problems belonging to the family of iteratively reweighted least squares (IRLS) algorithms. First, we discuss IRLS-methods for nonlinear regression entailing nonconvex or even nonsmooth optimization problems. Next, we introduce an IRLS-variant with a novel reweighting strategy for learning low-rank matrices that substantially enhances performance with respect to state-of-the-art methods. Finally, we present an IRLS-algorithm...     »

Diese Arbeit befasst sich mit der Entwicklung von Berechnungsverfahren für Datenanalyseprobleme, die zu den Iteratively Reweighted Least Squares (IRLS)-Methoden gehören. Als erstes wird IRLS für nichtlineare Regressionsprobleme diskutiert, was zu nichtkonvexen oder nichtglatten Optimierungsproblemen führt. Anschließend wird ein IRLS-Algorithmus mit neuartiger Gewichtungsstrategie für das Lernen von Niedrigrangmatrizen vorgestellt, die im Vergleich zu state-of-the-art-Methoden wesentliche Performanceverbesserungen aufweist sowie eine sehr allgemeiner Formulierung des IRLS, die das Lernen von Signalen mit mehreren oder zusammengesetzten Strukturen erlaubt.     «

Diese Arbeit befasst sich mit der Entwicklung von Berechnungsverfahren für Datenanalyseprobleme, die zu den Iteratively Reweighted Least Squares (IRLS)-Methoden gehören. Als erstes wird IRLS für nichtlineare Regressionsprobleme diskutiert, was zu nichtkonvexen oder nichtglatten Optimierungsproblemen führt. Anschließend wird ein IRLS-Algorithmus mit neuartiger Gewichtungsstrategie für das Lernen von Niedrigrangmatrizen vorgestellt, die im Vergleich zu state-of-the-art-Methoden wesentliche Perfor...     »