Eine Familie von Verfahren, die ein mathematisches Objekt oder Problem so modifizieren, dass Singularitäten oder Nichtwohlgestelltheit beseitigt werden, typischerweise durch Glättung, Regularisierungsstrafe oder Nebenbedingungen, sodass das modifizierte Problem stabiler und besser behandelbar wird.

Prinzip

Regularisierung tauscht Treue zur Rohformulierung gegen Stabilität: Durch Einführung einer Strafe, eines Glättungskerns, einer Trunkierung oder eines Priors erzwingt man Stetigkeit, Kompaktheit oder Koerzivität und macht Lösungen wohlgestellt oder numerisch berechenbar unter Rauschen.

Demonstration

Tikhonov-Regularisierung ersetzt ein schlecht gestelltes lineares inverses Problem Ax=b durch Minimierung von ‖Ax-b‖^2+λ‖x‖^2 mit λ>0 und stabilisiert so die Lösung; die Mollifikation einer Distribution durch Faltung mit einem glatten kompakt unterstützten Kern entfernt Singularitäten und liefert glatte Approximationen.

Fehlanwendung

Übermäßige Regularisierung, die die Lösung verzerrt und wesentliche Merkmale verwischt, die Wahl eines ungeeigneten Regularisierers, der falsche Struktur erzwingt (z. B. Glättung, wo die wahre Lösung spärlich ist), oder das Versäumen einer datenadaptiven Parameterauswahl führt zu Unter- oder Überanpassung.

Konsequenz

Eine sinnvoll gewählte Regularisierung ergibt einen stabilen Approximanten mit kontrolliertem Bias–Varianz-Kompromiss, ermöglicht numerische Berechenbarkeit und Konvergenz bei geeigneter Parametereinstellung und führt häufig zu Eindeutigkeit oder stetiger Abhängigkeit von den Daten.

Umkehrung

Das Entfernen der Regularisierung (Parameter gegen null laufen lassen ohne Rauschkontrolle) kann die Nichtwohlgestelltheit wiederherstellen: Kleine Datenstörungen bewirken große Änderungen der Lösung; umgekehrt führt extreme Regularisierung zu übergeglätteten, trivialen Grenzwerten.

Abgrenzung

Regularisierung kommt zum Einsatz, wenn Probleme schlecht gestellt oder singulär sind, und setzt die Wahl einer Topologie oder Norm zur Messung der Stabilität voraus; sie garantiert keine Wiederherstellung der wahren Lösung ohne korrektes Modell und angemessene Parameterauswahl und schließt rein formale algebraische Manipulationen aus, die keine Stabilisierung bieten.

Semantische Spannung

„Regularisierung“ steht nahe bei, ist aber verschieden von „Renormierung“ in der Physik und vom bloßen Glätten; Spannungen bestehen zwischen der Durchsetzung von Sparsität versus Glätte, datengetriebenen versus modellbasierten Regularisierern und punktuellen gegenüber globalen Strafansätzen.

Synthese

Regularisierung ist die bewusste Einführung zusätzlicher Struktur — Strafen, Glättungen, Trunkierungen oder Priors — um ein singuläres oder schlecht gestelltes Problem in ein stabiles, berechenbares Problem zu überführen und dabei Treue und Stabilität über Parameterauswahl auszubalancieren.