Improving variable selection properties with data integration and transfer learning
利用数据整合与迁移学习改进变量选择性质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：摘要聚焦高维稀疏线性回归的变量选择与迁移学习理论，属于统计方法/计量理论方向，未直接对应所提供的微观、宏观或金融领域细分 key，故留空。
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…
利用数据整合与迁移学习改进变量选择性质
- 研究问题
- 研究问题：在高维稀疏线性回归中，当拥有关于哪些变量可能与响应相关的外部信息时，变量选择（支撑恢复）所需样本量、维度、信号强度与稀疏性条件能否被放宽。
- 方法与思路
- 方法思路：作者提出一类依赖外部信息的似然惩罚，动机来自与贝叶斯变量选择的联系；先刻画理想 oracle 惩罚下的潜在收益，再提出计算高效的、从数据中学习惩罚的经验贝叶斯程序。
- 材料陈述的贡献
- 摘要所述贡献：作者称这些方法在忽略外部信息的方法必然失败的机制下仍能实现变量选择一致性，且达到更快的收敛速率；并证明所提经验贝叶斯程序相比不使用外部信息的方法具有改进的变量选择性质。
- 阅读关注点
- 阅读时应核对：一致性所需的具体条件与速率、oracle 惩罚与经验贝叶斯惩罚的差异、经验贝叶斯程序的可计算性与调参、模拟设计，以及小鼠实验信息迁移到人类基因表达数据的具体设定。
- 阅读边界
- 摘要信息的边界：这是 arXiv 预印本，未经同行评审验证；摘要未说明具体定理假设、惩罚形式、样本规模与数值结果，也未说明基因组应用中迁移有效性的判定标准。
原文摘要
We study variable selection (also called support recovery) in high-dimensional sparse linear regression when one has external information on which variables are likely to be associated with the response. Consistent recovery is only possible under somewhat restrictive conditions on sample size, dimension, signal strength, and sparsity. We investigate how these conditions can be relaxed by incorporating said external information. A key application that we consider is structural transfer learning, where variables selected in one or more source datasets are used to guide variable selection in a target dataset. We introduce a family of likelihood penalties that depend on the external information, motivated by connections to Bayesian variable selection. We show that these methods achieve variable selection consistency in regimes where any method ignoring external information fails, and that they achieve consistency at faster rates. We first quantify the potential gains under ideal, oracle-chosen, penalties. We then propose computationally efficient empirical Bayes procedures that learn suitable penalties from the data. We prove that these procedures have improved variable selection properties compared to methods that do not use external information. We illustrate our approach using simulations and a genomics application, where results from mouse experiments are used to inform variable selection for gene expression data in humans.