Sparse Learning and Structure Identification for Ultrahigh-Dimensional Image-on-Scalar Regression
超高维图像对标量回归中的稀疏学习与结构识别AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究图像回归与空间效应识别，未提供对应所列经济学细分领域的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
超高维图像对标量回归中的稀疏学习与结构识别
- 研究问题
- 当图像响应的协变量效应具有空间异质性时，如何在超高维协变量中筛选变量，并区分零效应、常数效应与空间变化效应？
- 方法与思路
- 作者采用部分线性空间变系数模型，以三角剖分上的二元样条逼近系数函数，先研究已知活跃结构，再构建联合筛选与结构识别方法。
- 材料陈述的贡献
- 摘要称，该方法可识别三类效应，并建立系数估计的一致性及常数系数估计的渐近正态性；另以模拟和 ADNI 数据评估。
- 阅读关注点
- 应核对空间区域与三角剖分的设定、稀疏学习和结构识别的实现方式，以及维度增长、平滑程度与渐近结论所需条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体正则条件、误差率及模拟数值，不能推断后续刊本变化。
原文摘要
This article considers high-dimensional image-on-scalar regression, where the spatial heterogeneity of covariate effects on imaging responses is investigated via a flexible partially linear spatially varying coefficient model. To tackle the challenges of spatial smoothing over the imaging response’s complex domain consisting of regions of interest, we approximate the spatially varying coefficient functions via bivariate spline functions over triangulation. We first study estimation when the active constant coefficients and varying coefficient functions are known in advance. We then further develop a unified approach for simultaneous sparse learning and model structure identification in the presence of ultrahigh-dimensional covariates. Our method can identify zero, nonzero constant, and spatially varying components correctly and efficiently. The estimators of constant coefficients and varying coefficient functions are consistent and asymptotically normal for constant coefficient estimators. The method is evaluated by Monte Carlo simulation studies and applied to a dataset provided by the Alzheimer’s Disease Neuroimaging Initiative. Supplementary materials for this article are available online.