Supervised homogeneity fusion: A combinatorial approach
监督式同质性融合：一种组合方法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：摘要研究一般回归系数分组，没有将同质分组明确置于面板、因果或其他所列领域。
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…
监督式同质性融合：一种组合方法
- 研究问题
- 如何恢复回归系数中共享同一取值的真实分组，并明确分组可恢复性的统计门槛及高维计算成本？
- 方法与思路
- 作者提出 L0-Fusion 组合分组方法，以分组敏感性分析恢复难度，并提供混合整数优化表述与热启动策略。
- 材料陈述的贡献
- 摘要称在必要门槛下实现分组一致性，高维特征筛选可降低计算成本；模拟与实证显示其分组准确性较优。
- 阅读关注点
- 应核对分组敏感性的定义、一致性与不可能性结果的条件，以及特征筛选保证、优化求解成本和比较设置。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；门槛表达、筛选条件与数值结果未提供，无法独立判断优势范围。
原文摘要
Fusing regression coefficients into homogeneous groups can unveil those coefficients that share a common value within each group. Such groupwise homogeneity reduces the intrinsic dimension of the parameter space and unleashes sharper statistical accuracy. We propose and investigate a new combinatorial grouping approach called L0-Fusion that is amenable to mixed integer optimization (MIO). On the statistical aspect, we identify a fundamental quantity called MSE grouping sensitivity that underpins the difficulty of recovering the true groups. We show that L0-Fusion achieves grouping consistency under the weakest possible requirement of the grouping sensitivity: if this requirement is violated, then the minimax risk of group misspecification will fail to converge to zero. Moreover, we show that in the high-dimensional regime, one can apply L0-Fusion with a sure screening set of features without any essential loss of statistical efficiency, while reducing the computational cost substantially. On the algorithmic aspect, we provide an MIO formulation for L0-Fusion along with a warm start strategy. Simulation and real data analysis demonstrate that L0-Fusion exhibits superiority over its competitors in terms of grouping accuracy.