A unified approach to model selection and sparse recovery using regularized least squares
以正则化最小二乘统一模型选择与稀疏恢复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：摘要研究一般高维模型选择与稀疏恢复，没有因子、预测或其他所列领域的直接文本依据。
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
以正则化最小二乘统一模型选择与稀疏恢复
- 研究问题
- 如何在统一的正则化最小二乘框架中研究高维模型选择和稀疏恢复，并明确估计与恢复保证所需的条件？
- 方法与思路
- 作者采用凹惩罚及连接 L0 与 L1 的平滑惩罚族，研究弱 oracle 性质和稀疏恢复，并提出 SIRS 算法。
- 材料陈述的贡献
- 摘要称给出允许维度指数增长的非渐近弱 oracle 条件、最稀疏解可恢复的充分条件，并以数值研究支持方法。
- 阅读关注点
- 应核对弱 oracle 性质的定义、设计矩阵与信号条件、恢复保证的对象，以及 SIRS 的收敛与初始化要求。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未给出条件细节或比较数值，弱 oracle 性质不能直接等同于完整 oracle 性质。
原文摘要
Model selection and sparse recovery are two important problems for which many regularization methods have been proposed. We study the properties of regularization methods in both problems under the unified framework of regularized least squares with concave penalties. For model selection, we establish conditions under which a regularized least squares estimator enjoys a nonasymptotic property, called the weak oracle property, where the dimensionality can grow exponentially with sample size. For sparse recovery, we present a sufficient condition that ensures the recoverability of the sparsest solution. In particular, we approach both problems by considering a family of penalties that give a smooth homotopy between L0 and L1 penalties. We also propose the sequentially and iteratively reweighted squares (SIRS) algorithm for sparse recovery. Numerical studies support our theoretical results and demonstrate the advantage of our new methods for model selection and sparse recovery.