Pathwise coordinate optimization for sparse learning: Algorithm and theory
稀疏学习的路径式坐标优化：算法与理论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：摘要提供通用高维稀疏学习算法理论，未指向所列经济或金融细分领域。
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
稀疏学习的路径式坐标优化：算法与理论
- 研究问题
- 在高维凸与非凸稀疏学习中，热启动、活跃集更新和强筛选规则如何共同影响路径式坐标优化的计算与统计性质？
- 方法与思路
- 作者为现有路径式坐标优化框架建立理论分析，并据此修改算法，研究参数估计、支持恢复及局部最优解收敛。
- 材料陈述的贡献
- 摘要称，改进框架可线性收敛至唯一的稀疏局部最优解，并具备最优统计性质，同时提供数值实验支持。
- 阅读关注点
- 应核对损失与惩罚函数的限制、初始化及筛选条件、局部解唯一性的范围，以及最优统计性质采用的基准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体条件与速率未说明，局部最优不代表全局最优，不能推断刊本变化。
原文摘要
The pathwise coordinate optimization is one of the most important computational frameworks for high dimensional convex and nonconvex sparse learning problems. It differs from the classical coordinate optimization algorithms in three salient features: warm start initialization, active set updating and strong rule for coordinate preselection. Such a complex algorithmic structure grants superior empirical performance, but also poses significant challenge to theoretical analysis. To tackle this long lasting problem, we develop a new theory showing that these three features play pivotal roles in guaranteeing the outstanding statistical and computational performance of the pathwise coordinate optimization framework. Particularly, we analyze the existing pathwise coordinate optimization algorithms and provide new theoretical insights into them. The obtained insights further motivate the development of several modifications to improve the pathwise coordinate optimization framework, which guarantees linear convergence to a unique sparse local optimum with optimal statistical properties in parameter estimation and support recovery. This is the first result on the computational and statistical guarantees of the pathwise coordinate optimization framework in high dimensions. Thorough numerical experiments are provided to support our theory.