Sparse SIR: Optimal rates and adaptive estimation
稀疏切片逆回归：最优收敛率与自适应估计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：摘要研究通用稀疏充分降维，未明确涉及因果、结构模型或给定宏观金融细分。
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…
稀疏切片逆回归：最优收敛率与自适应估计
- 研究问题
- 如何从统计决策角度确定稀疏切片逆回归方向估计的极小极大收敛率，并兼顾统计保证与计算可行性？
- 方法与思路
- 作者在充分降维常用损失函数下建立稀疏方向估计的极小极大速率，分析统计与计算权衡，并提出自适应估计方案。
- 材料陈述的贡献
- 摘要称给出了多种损失下的最优速率，发现可能的统计与计算权衡，并提出计算可行且达到最优速率的自适应方法。
- 阅读关注点
- 应核对稀疏中心子空间的参数空间、信号及维度条件、各损失的速率，以及计算权衡与自适应最优性覆盖的具体范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体速率、算法与条件未说明，不能据此声称所有高维场景均可高效最优。
原文摘要
Sliced inverse regression (SIR) is an innovative and effective method for sufficient dimension reduction and data visualization. Recently, an impressive range of penalized SIR methods has been proposed to estimate the central subspace in a sparse fashion. Nonetheless, few of them considered the sparse sufficient dimension reduction from a decision-theoretic point of view. To address this issue, we in this paper establish the minimax rates of convergence for estimating the sparse SIR directions under various commonly used loss functions in the literature of sufficient dimension reduction. We also discover the possible trade-off between statistical guarantee and computational performance for sparse SIR. We finally propose an adaptive estimation scheme for sparse SIR which is computationally tractable and rate optimal. Numerical studies are carried out to confirm the theoretical properties of our proposed methods.