Lasso Universality Under Linearly Dependent Covariates in the Sparse Regime
稀疏情形下具有线性依赖协变量的 Lasso 普适性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：摘要研究通用高维 Lasso 理论，未提供足以归入所列经济计量细分方向的具体证据。
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
稀疏情形下具有线性依赖协变量的 Lasso 普适性
- 研究问题
- 当非高斯协变量的行与列同时存在较一般的线性依赖时，稀疏情形下的 Lasso 是否仍具有高斯普适性？
- 方法与思路
- 作者研究具有行列线性依赖的非高斯设计，在稀疏情形下建立 Lasso 的高斯普适性定理，并用不同稀疏配置作数值展示。
- 材料陈述的贡献
- 摘要称其定理容许比许多既有研究更广的同时行列依赖结构，数值展示支持普适性主张；具体适用范围未在摘要中列出。
- 阅读关注点
- 应核对普适性针对哪些统计量、依赖结构和稀疏程度的限制，以及非高斯设计与高斯参照设计之间如何建立对应关系。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已同行评审或期刊接收。摘要未说明定理条件、误差界及数值配置，也不足以核验其覆盖范围。
原文摘要
Throughout the last decade, Gaussian universality has been widely studied for high-dimensional estimation problems. Most of the literature focuses on i.i.d. sensing matrices or accounts for special forms of dependence, such as block dependence or other specific row/column dependencies. More general simultaneous row and column mixing has not yet been fully studied. In this paper, we focus on that setting. We prove a Gaussian universality theorem for the lasso in the sparse regime, where the non- Gaussian covariates have linearly dependent rows and columns. To the best of our knowledge, our setting permits a broader simultaneous row and column dependence structure than those treated in much of the prior universality literature. Numerical illustrations for various sparse profiles support the universality claims of this paper.