KL-BSS: rethinking optimality for neighbourhood selection in structural equation models
KL-BSS：重新审视结构方程模型邻域选择的最优性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：摘要涉及统计结构方程和图模型邻域选择，未明确涉及经济结构估计、经济网络或干扰效应。
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
KL-BSS：重新审视结构方程模型邻域选择的最优性
- 研究问题
- 在线性结构方程模型存在未知底层结构时，如何改进邻域选择，并在较弱特征值条件下以更少样本恢复回归支持集？
- 方法与思路
- 作者提出利用结构方程模型底层结构的 KL-BSS，可借助现有求解器实现，并分析支持恢复的逐点与极小极大样本复杂度。
- 材料陈述的贡献
- 摘要称 KL-BSS 达到所建立的样本复杂度，在较弱特征值条件下较 BSS 与 Lasso 需要更少样本，并报告真实及模拟数据比较。
- 阅读关注点
- 阅读时应核对底层结构的定义、KL-BSS 目标与实现、特征值条件，以及支持恢复比较和图模型结构学习之间的关系。
- 阅读边界
- 仅据所给 Crossref 在线优先版本摘要；未提供结构假设、复杂度公式或实验数值，不能推断后续刊本变化或普遍优势。
原文摘要
Abstract We introduce a new method for neighbourhood selection in linear structural equation models that improves over classical methods such as best subset selection (BSS) and the Lasso. Our method, called KL-BSS, takes advantage of the existence of underlying structure in SEM—even when this structure is unknown—and is easily implemented using existing solvers. Under weaker eigenvalue conditions compared to BSS and the Lasso, KL-BSS can provably recover the support of linear models with fewer samples. We establish both the pointwise and minimax sample complexity for support recovery, which KL-BSS obtains. Extensive experiments on both real and simulated data confirm the improvements offered by KL-BSS. While it is well-known that the Lasso encounters difficulties under structured dependencies, it is less well-known that even BSS runs into trouble as well, and can be substantially improved. These results have implications for structure learning in graphical models, which often relies on neighbourhood selection as a subroutine.