Adaptive nonparametric regression with the K-nearest neighbour fused lasso
利用 K 近邻融合套索的自适应非参数回归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：近邻图在摘要中是回归计算结构，未研究经济网络关系或干扰效应，因此不归入网络方向。
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…
利用 K 近邻融合套索的自适应非参数回归
- 研究问题
- 当设计点不位于规则网格上时，如何扩展融合套索，使非参数回归同时适应函数的局部变化和设计点的流形结构？
- 方法与思路
- 作者先构建设计点的 K 近邻图，再沿图实施融合套索；同时研究使用邻域半径图的替代估计并作比较。
- 材料陈述的贡献
- 摘要称该程序兼具局部自适应与流形自适应的理论优势，并通过模拟和流感数据应用展示方法表现。
- 阅读关注点
- 应核对两类自适应性的数学定义、设计分布与函数类别条件，以及邻居数、惩罚强度和图构造对误差的影响。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明风险界、调参方案及具体比较结果，不能据此认定对所有设计和函数均有优势。
原文摘要
Summary The fused lasso, also known as total-variation denoising, is a locally adaptive function estimator over a regular grid of design points. In this article, we extend the fused lasso to settings in which the points do not occur on a regular grid, leading to a method for nonparametric regression. This approach, which we call the $K$-nearest-neighbours fused lasso, involves computing the $K$-nearest-neighbours graph of the design points and then performing the fused lasso over this graph. We show that this procedure has a number of theoretical advantages over competing methods: specifically, it inherits local adaptivity from its connection to the fused lasso, and it inherits manifold adaptivity from its connection to the $K$-nearest-neighbours approach. In a simulation study and an application to flu data, we show that excellent results are obtained. For completeness, we also study an estimator that makes use of an $\epsilon$-graph rather than a $K$-nearest-neighbours graph and contrast it with the $K$-nearest-neighbours fused lasso.