Online Sparse Regression with Expanding Observables
可观测变量扩展下的在线稀疏回归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：摘要讨论在线高维回归与变量选择的方法与理论，未涉及因果推断、面板、时间序列、资产定价等具体领域细分，故不选择任何领域 key。
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…
可观测变量扩展下的在线稀疏回归
- 研究问题
- 研究在数据收集初期并非所有候选特征（包括重要特征）都可观测、新变量随数据积累逐步出现的情形下，如何进行在线高维回归与变量选择。
- 方法与思路
- 作者提出循环自适应变量选择（RAVAS）框架，采用循环式流程，在样本量与可观测特征集同时增长时动态更新特征选择；算法仅依赖在线更新的低维充分统计量，以降低计算与内存开销。
- 材料陈述的贡献
- 摘要称该框架可检测并纳入后期出现的重要变量，从而缓解早期缺失的影响；作者还给出模型选择、估计误差与特征覆盖率的理论保证，并提出自适应在线调参策略，通过模拟与真实数据实验验证方法效果。
- 阅读关注点
- 应核对理论保证所依赖的识别与正则化假设、特征覆盖率的具体定义、调参策略的可行性条件，以及模拟与实证的数据生成方式和对比基准设置。
- 阅读边界
- 仅凭摘要无法判断理论假设是否合理、实验是否充分、与既有在线方法相比的实际优劣；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Online high-dimensional regression has gained increasing attention in recent years, yet existing methods typically assume that all candidate features, including important ones, are observed from the outset of data collection. This assumption is often violated in real-world scenarios, where new variables become available gradually as data accumulate. To address this gap, we introduce a novel framework, Recurrent Adaptive Variable Selection (RAVAS), for online regression with expanding observability. RAVAS employs a recurrent procedure that dynamically updates feature selection as both the sample size and the observable feature set grow. The algorithm is designed to be computationally efficient and memory-light, relying only on low-dimensional sufficient statistics that are updated online. A key advantage of the method lies in its ability to detect and incorporate important variables that emerge later, thereby mitigating the effect of early-stage missingness. We establish theoretical guarantees on model selection, estimation error, and feature coverage, and develop an adaptive online tuning strategy. Extensive simulations and real-world experiments verify the effectiveness of RAVAS for high-dimensional streaming data.