Penalized empirical likelihood over decentralized networks
去中心化网络上的惩罚经验似然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：摘要中的网络是分布式计算网络，未研究经济主体的网络关系或干扰效应。
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
去中心化网络上的惩罚经验似然
- 研究问题
- 当大规模数据分布在去中心化计算网络上时，如何兼顾经验似然推断的渐近有效性与节点间耦合优化的可计算性？
- 方法与思路
- 作者提出带约束与融合惩罚的经验似然框架，并设计两个去中心化算法，分析似然比极限及算法收敛性质。
- 材料陈述的贡献
- 摘要称，机器数发散时似然比仍有标准卡方极限，两个算法具有收敛保证，第二个在特定网络结构下线性收敛。
- 阅读关注点
- 应核对机器数与样本量的增长关系、惩罚参数条件、网络连通要求，以及第二个算法线性收敛的具体适用结构。
- 阅读边界
- 仅据所给 Crossref 摘要；增长率、网络条件及算法成本未说明，应用数据不证明普遍优势，不能推断后续版本变化。
原文摘要
Abstract Empirical likelihood encounters serious computational challenges when applied to massive datasets or multiple data sources distributed across decentralized networks. This paper proposes a constrained empirical likelihood framework for decentralized networks, utilizing a novel penalization technique to obtain a penalized empirical log-likelihood. The resulting empirical log-likelihood ratio statistic is proved to be asymptotically standard chi-squared even for a divergent machine number. However, the optimization problem with the fused penalty is still hard to solve in the decentralized distributed network due to the coupling structure. To address the problem, two novel algorithms are developed to solve the optimization problem in a decentralized manner, with established convergence properties and linear convergence for the second algorithm in specific network structures. The methods are validated through simulations and real data analyses of census income and Ford gobike datasets.