A nonasymptotic distributional theory of approximate message passing for sparse and robust regression
稀疏与稳健回归中近似消息传递的非渐近分布理论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：摘要聚焦一般高维回归算法的非渐近分布理论，没有给出因果、面板、时间序列或金融问题的直接文本依据。
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
稀疏与稳健回归中近似消息传递的非渐近分布理论
- 研究问题
- 研究高维稀疏与稳健回归中，如何在有限样本下描述近似消息传递迭代量的分布，并扩展既有理论的迭代范围。
- 方法与思路
- 作者建立 AMP 迭代量的非渐近高斯近似，并利用 AMP 向 Lasso 的非渐近收敛，推导更精细的估计误差速率。
- 材料陈述的贡献
- 摘要称，新理论改善 AMP 的分布刻画，并为最优调参的 Lasso 与稳健 M 估计提供更精细结论；突破既有速率属作者主张。
- 阅读关注点
- 读全文时应核对设计矩阵与误差条件、迭代次数范围及高斯近似误差，并确认 Lasso 速率比较采用何种指标与基准。
- 阅读边界
- 仅据 Crossref 摘要；设计条件、误差界和调参要求未说明，不能独立验证“首次”或速率突破，也不能推断实际计算优势。
原文摘要
Characterizing the distribution of high-dimensional statistical estimators is a challenging task, due to the breakdown of classical asymptotic theory in high dimension. This paper makes progress towards this by developing non-asymptotic distributional characterizations for approximate message passing (AMP)—a family of iterative algorithms that prove effective as both fast estimators and powerful theoretical machinery—for both sparse and robust regression. Prior AMP theory, which focused on high-dimensional asymptotics for the most part, failed to describe the behavior of AMP when the number of iterations exceeds o(logn/loglogn) (with n the sample size). Our AMP theory is further leveraged to derive a refined rate for the Lasso estimator, built upon a nonasymptotic convergence of AMP to Lasso. To the best of our knowledge, this is the first result of its kind, breaking the rate barrier resulting from the widely adopted Gaussian min-max theorem. Our results establish approximate accuracy of Gaussian approximation of the AMP iterates, which improves upon prior results and implies enhanced distributional characterizations for both optimally tuned Lasso and robust M-estimator.