High-dimensional additive modeling
高维加性建模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：摘要属于通用高维非参数回归方法，没有明确的因果、预测或其他所列应用方向。
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…
高维加性建模
- 研究问题
- 在高维但稀疏的广义加性模型中，如何同时控制变量选择与函数平滑，并兼顾计算可行性和统计性质？
- 方法与思路
- 作者提出结合稀疏性与平滑性的惩罚项，以算法优化惩罚似然，并进一步构造该惩罚方法的自适应版本。
- 材料陈述的贡献
- 摘要称，算法具有可证明的数值收敛性质，估计量具有支持渐近最优性的 oracle 结果，自适应版本改善表现。
- 阅读关注点
- 应核对惩罚项形式、稀疏性与平滑性条件、oracle 结果的损失度量，以及自适应版本的比较设计和调参方式。
- 阅读边界
- OpenAlex 摘要未注明稿件版本，未给出最优性条件或性能增益数值，不能据此声称对所有高维问题均有优势。
原文摘要
We propose a new sparsity-smoothness penalty for high-dimensional generalized additive models. The combination of sparsity and smoothness is crucial for mathematical theory as well as performance for finite-sample data. We present a computationally efficient algorithm, with provable numerical convergence properties, for optimizing the penalized likelihood. Furthermore, we provide oracle results which yield asymptotic optimality of our estimator for high dimensional but sparse additive models. Finally, an adaptive version of our sparsity-smoothness penalized approach yields large additional performance gains.