A note on the minimax risk of sparse linear regression
稀疏线性回归极小极大风险的一个注记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：该文属高维统计与压缩感知的理论风险刻画，用户提供的领域细分均为微观、宏观与金融实证方向，无直接对应项，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…
稀疏线性回归极小极大风险的一个注记
- 研究问题
- 摘要称，稀疏线性回归虽被广泛研究，但其极小极大风险的精确刻画仍不明确；本文关注稀疏度 k 满足 (k log p)/n→0 的情形，试图确定该风险的确切量级。
- 方法与思路
- 作者提出在等向高斯随机设计下推导极小极大风险的渐近常数精确刻画，并称同时梳理文献中已有结果、指出若干仍未解决的基本问题。
- 材料陈述的贡献
- 摘要称得到的结果是：在等向高斯随机设计下，极小极大风险渐近等于 2σ²k/n·log(p/k)，其中 σ 为噪声标准差；此外还汇总既有结果并列出开放问题。
- 阅读关注点
- 应核对极小极大风险的下界与上界构造、对等向高斯设计的依赖、k log p/n→0 条件的必要性，以及常数 2 与 log(p/k) 项的推导细节；并确认开放问题的具体表述。
- 阅读边界
- 仅凭摘要无法判断证明是否完整、假设是否可放宽、结果能否推广到非高斯或非等向设计；摘要未说明有限样本表现与模拟证据。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Sparse linear regression is one of the classical and extensively studied problems in high-dimensional statistics and compressed sensing. Despite the substantial body of literature dedicated to this problem, the precise determination of its minimax risk remains elusive. This paper aims to fill this gap by deriving asymptotically constant-sharp characterization for the minimax risk of sparse linear regression. More specifically, the paper focuses on scenarios where the sparsity level, denoted as k, satisfies the condition $(k \log p)/n {\to} 0$, with p and n representing the number of features and observations respectively. We establish that the minimax risk under isotropic Gaussian random design is asymptotically equal to $2σ^2k/n log(p/k)$, where $σ$ denotes the standard deviation of the noise. In addition to this result, we will summarize the existing results in the literature, and mention some of the fundamental problems that have still remained open.