A provable two-stage algorithm for penalized hazards regression
惩罚风险回归的可证明两阶段算法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要针对生存分析中的惩罚 Cox 回归与优化理论，未提供所列因果、面板、宏观或金融方向的直接依据。
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…
关注这篇论文的作者
惩罚风险回归的可证明两阶段算法
- 研究问题
- 对折叠凹惩罚的 Cox 比例风险回归，能否利用统计模型结构缓解非凸优化困难，并获得有保证的统计估计？
- 方法与思路
- 作者利用全局最优点附近的局部强凸性，提出通过两个凸规划优化惩罚 Cox 回归，并分析统计与计算的权衡。
- 材料陈述的贡献
- 摘要称所得估计量具有强预言机性质，并通过数值研究和真实数据分析支持所提算法及其理论结果。
- 阅读关注点
- 应核对局部强凸性的成立范围、两阶段之间的初始化要求，以及强预言机性质的定义与惩罚、信号条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未列出模型和算法条件，不能理解为解决一般非凸问题的全局困难。
原文摘要
From an optimizer's perspective, achieving the global optimum for a general nonconvex problem is often provably NP-hard using the classical worst-case analysis. In the case of Cox's proportional hazards model, by taking its statistical model structures into account, we identify local strong convexity near the global optimum, motivated by which we propose to use two convex programs to optimize the folded-concave penalized Cox's proportional hazards regression. Theoretically, we investigate the statistical and computational tradeoffs of the proposed algorithm and establish the strong oracle property of the resulting estimators. Numerical studies and real data analysis lend further support to our algorithm and theory.