This is Version 3.2 of Regularization Tools for Matlab 6.0 from Per Christian Hansen, IMM.

解决ill-condition的matlab工具包

ICPR2020论文《Filter Pruning using Hierarchical Group Sparse Regularization for Deep Convolutional Neural Networks》开源代码，可对模型进行分层分组稀疏正则化，可以根据这个做剪枝，效果接近SOTA，可以对vgg11、vgg13、vgg16、vgg19及其bn、resnet18、resnet34、resnet50等在cifar10/100/tinyImagenet上分别实现

在ICCV 2019（口头演讲）上被接受!! CutMix：正则化策略来训练具有可本地化功能的强大分类器 CutMix正则化程序的官方Pytorch实现| | 桑，韩东云，吴成俊，桑赫俊，崔俊淑，柳永jo。 NAVER Corp.的Clova AI Research 我们的实现基于以下存储库： 抽象的 已经提出了区域辍学策略以增强卷积神经网络分类器的性能。 事实证明，它们可以有效地指导模型参加对象的较少区分性部分（例如，腿而不是人的头部），从而使网络更好地泛化并具有更好的对象定位能力。 另一方面，当前的区域丢弃方法通过覆盖黑色像素或随机噪声的补丁来去除训练图像上的信息像素。 这样的删除是不理想的，因为它会导致信息丢失和训练期间的效率低下。 因此，我们提出了CutMix增强策略：在训练图像之间剪切和粘贴补丁，其中地面真相标签也与补丁的区域成比例地混合。 通过有效利用训练像素并保留区域丢

Regularization and variable selection via the elastic net.pdf

Dropout Training as Adaptive Regularization.pdf

在油藏历史记录中，通常使用最小二乘目标函数来使预测的生产数据与观测值之间的不匹配最小化。 但是，作为历史匹配是具有非唯一解的不适定逆问题，之后的储层模型仅通过匹配生产数据，校准可能与实际的地质模型相去甚远。 为了解决这个问题，实施了一种用于储层历史匹配的正则化方法，该方法不仅匹配生产数据，而且还使用先前的地质信息来校正和更新当前储层模型，从而使更新后的模型保持一致。地质模型。 本文将同时摄动随机逼近法（SPSA）与快速流线模拟相结合，为优化目标函数提供了一种有效的方法。 作为一种随机近似算法，SLSPSA可以保证算法的收敛性。 与基于梯度的算法相比，它避免了伴随或敏感矩阵的大量计算和存储。 在算法的计算过程中，实现了并行计算，减少了仿真时间，提高了计算效率。 通过匹配示例测试验证了该方法。

Attention with structure regularization for action recognition

Posterior Regularization for Structured Latent Variable Models 一文里第二章的阅读笔记，用中文记录下自己的一些认知

1. 离散病态问题及其正则化 2. 正则化工具教程 3. 正规化工具参考