Uncertainty quantification under group sparsity
组稀疏性下的不确定性量化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：摘要研究通用高维惩罚回归推断，没有提供因果、面板、宏观或金融方向的直接依据。
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
组稀疏性下的不确定性量化
- 研究问题
- 在高维组稀疏回归中，如何为 group lasso 的系数组提供有效的不确定性量化，并支持大规模同时推断？
- 方法与思路
- 作者研究修正的参数自助法，在高维尺度下建立有效性，初始设定采用高斯误差，并讨论其他块范数惩罚及次高斯误差。
- 材料陈述的贡献
- 摘要称该方法能够对大型系数组开展同时推断，理论可推广至其他惩罚与误差设定，数值比较显示优于所选竞争方法。
- 阅读关注点
- 应核对高维维度增长条件、设计矩阵和真实系数限制、自助法的修正步骤，以及同时推断的目标与误差控制方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不能推断其他版本变化。所谓温和条件和比较优势未具体列出，不能据此判断普遍有效性。
原文摘要
Quantifying the uncertainty in penalized regression under group sparsity is an important open question. We establish, under a high-dimensional scaling, the asymptotic validity of a modified parametric bootstrap method for the group lasso, assuming a Gaussian error model and mild conditions on the design matrix and the true coefficients. Simulation of bootstrap samples provides simultaneous inferences on large groups of coefficients. Through extensive numerical comparisons, we demonstrate that our bootstrap method performs much better than popular competitors, highlighting its practical utility. The theoretical results generalize to other block norm penalization and sub-Gaussian errors, which further broadens the potential applications.