A Sparse-Group Pliable Lasso
稀疏组可调 LassoAI 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：摘要研究通用稀疏正则化方法并展示生物医学应用，未对应所列经济学细分领域。
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
稀疏组可调 Lasso
- 研究问题
- 如何在含调节变量的回归中同时实现组选择、组内稀疏性及主效应与交互项的层级结构，并考察预设分组对估计表现的影响？
- 方法与思路
- 作者结合稀疏组正则化和预测变量层面的耦合惩罚，提出分块坐标下降算法，分析凸性、KKT 条件及全局最小解收敛。
- 材料陈述的贡献
- 摘要称，模拟中该方法预测表现有竞争力、交互项估计误差较小，但支持集恢复存在精确率与召回率权衡，并展示两项生物医学应用。
- 阅读关注点
- 应核对惩罚与层级约束的具体形式、全局收敛条件、调参和模拟比较设计，以及预设分组与真实信号不一致时的表现。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已同行评审或期刊接收；摘要未提供证明条件和数值结果，比较优势仅限所述实验。
原文摘要
The sparse-group pliable Lasso (SGPL) extends the pliable Lasso and group pliable Lasso by combining sparse-group regularization with a predictor-level coupling penalty, enabling simultaneous group-level selection, within-group sparsity, and hierarchical structure between main effects and interactions. We propose a blockwise coordinate descent algorithm for fitting the SGPL that exploits the convexity and structure of the objective function, establish convexity and Karush--Kuhn--Tucker optimality conditions, and prove that the algorithm converges to a global minimizer. Simulation studies demonstrate competitive predictive performance and smaller interaction estimation error than the pliable Lasso and group pliable Lasso, albeit with the expected precision--recall trade-off in support recovery. We further illustrate the proposed method using a Parkinson's disease gut microbiome study and an adrenocortical carcinoma (ACC) copy-number dataset from The Cancer Genome Atlas. The Parkinson's application identifies interpretable interactions between microbial abundances and dietary variables, while the ACC application illustrates that the effectiveness of group-structured regularization depends on how well the prespecified grouping reflects the underlying signal structure.