DIRECTION IDENTIFICATION AND MINIMAX ESTIMATION IN HIGH-DIMENSIONAL SPARSE REGRESSION VIA A GENERALIZED EIGENVALUE APPROACH
基于广义特征值的高维稀疏回归方向识别与极小极大估计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：摘要研究通用高维稀疏回归理论，未提供足以归入所列应用领域细分的直接依据。
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…
基于广义特征值的高维稀疏回归方向识别与极小极大估计
- 研究问题
- 在高维稀疏线性回归中，如何利用参数向量方向上的零范数约束，实现变量子集选择与参数估计，并刻画估计风险？
- 方法与思路
- 作者先用特定可测矩阵的主广义特征子空间识别参数方向，再求解经验广义特征值问题，并构造基于 RIFLE 算法的估计量。
- 材料陈述的贡献
- 摘要称建立了方向识别结果，给出新估计量的非渐近风险界、极小极大收敛性质和中心极限定理，并报告模拟比较。
- 阅读关注点
- 应核对方向识别所需的矩阵构造与条件、方向到完整参数的恢复方式，以及风险界、极小极大结论和模拟比较的适用范围。
- 阅读边界
- 仅据所给 Crossref 版本摘要，无法判断具体设计条件、收敛率和算法实现；模拟中的优势不能外推，也不能推断刊本变化。
原文摘要
In high-dimensional (HD) sparse linear regression, parameter selection and estimation are addressed using a constraint $l_0$ on the direction of the parameter vector. We begin by establishing a general result that identifies this direction through the leading generalized eigenspace of specific measurable matrices. Using this result, we propose a novel approach to the selection of the best subsets by solving an empirical generalized eigenvalue problem to estimate the direction of the HD parameter. We then introduce a new estimator based on the RIFLE algorithm, providing a non-asymptotic bound for the estimation risk, minimax convergence, and a central limit theorem. Simulations demonstrate the superiority of our method over existing $l_0$ -constrained estimators.