VALSE活动20150701期笔记

Feature selection via sparse learning_ji liu(刘霁)
优化：从建模，算法和理论三方面考虑。
特征选择：
两种方法，l1 norm和greedy
稀疏求解：
本是l0 norm问题，转化为l1 norm问题。因l0 norm是非convex问题，而l1 norm是对l0 norm的最好的convex近似。convex问题的优势在于，局部最优解即为全局最优解。
l1 norm转换最著名的有LASSO
特征选择：OMP，多stage选择特征。每个stage选择一个最佳特征。
算法评价：两个主要指标：效率和解。

Image feature learning for cold start problem in display advertising_kaixiang mo
应用背景：腾讯广告投放
结论：图片特征加传统特征可以得到更准确的点击率预测。
cold start problem：新广告投放问题
特征选择：
利用深度学习的方法，采用了caffe框架
训练时，从图片的不同区域随机crop相同size的图片块。
实验显示：feature map的size大些可能更好。
可视化：提取出的显著特征：人脸，包邮，货到付款。