Asymptotic properties for combined L1 and concave regularization
联合 L1 与凹惩罚正则化的渐近性质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：摘要研究通用高维正则化与变量选择，未指向所列具体计量领域。
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…
关注这篇论文的作者
联合 L1 与凹惩罚正则化的渐近性质
- 研究问题
- 在超高维建模中，如何同时控制预测风险与模型稀疏程度，并理解联合使用 L1 和凹惩罚所得解的统计性质？
- 方法与思路
- 作者用 L1 惩罚提供基础正则化，再以凹惩罚控制稀疏性，分别研究全局最优解和可计算解，并开展数值比较。
- 材料陈述的贡献
- 摘要称，线性模型下全局最优解具有与 lasso 相同的预言不等式及显式错误符号率界，并进一步分析风险和可计算解。
- 阅读关注点
- 应核对两类惩罚及调参要求、错误符号率趋零的条件，以及全局最优解的理论保证如何对应实际算法得到的解。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；不能将全局最优解的全部性质自动赋予可计算解，数值稳定性也仅是摘要所述比较。
原文摘要
Two important goals of high-dimensional modelling are prediction and variable selection. In this article, we consider regularization with combined L1 and concave penalties, and study the sampling properties of the global optimum of the suggested method in ultrahigh-dimensional settings. The L1 penalty provides the minimum regularization needed for removing noise variables in order to achieve oracle prediction risk, while a concave penalty imposes additional regularization to control model sparsity. In the linear model setting, we prove that the global optimum of our method enjoys the same oracle inequalities as the lasso estimator and admits an explicit bound on the false sign rate, which can be asymptotically vanishing. Moreover, we establish oracle risk inequalities for the method and the sampling properties of computable solutions. Numerical studies suggest that our method yields more stable estimates than using a concave penalty alone.