Structured Lasso for convex nonparametric least squares: An application to Swedish electricity distribution networks
凸非参数最小二乘的结构化 Lasso：瑞典配电网络应用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：摘要聚焦形状约束回归的变量选择，配电网络是应用对象，未对应所给网络干扰等细分。
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…
关注这篇论文的作者
凸非参数最小二乘的结构化 Lasso：瑞典配电网络应用
- 研究问题
- 在凸非参数最小二乘模型中，常规 Lasso 能否有效选择变量，如何利用次梯度结构兼顾模型稀疏性与预测表现？
- 方法与思路
- 作者结合 ℓ₁ 与 ℓ∞ 范数构造结构化 Lasso，并提出松弛版本，用不同调参量分别控制变量选择和收缩，开展模拟及配电应用。
- 材料陈述的贡献
- 摘要称，常规 Lasso 在该问题中通常难以有效选择变量，提出的方法在模拟和应用中通常得到更稀疏且预测更准确的模型。
- 阅读关注点
- 应核对惩罚项如何作用于次梯度、选择与收缩参数如何调节，以及预测比较的数据划分、变量相关性和样本规模设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明选择一致性或数值优势，配电网络应用也不等于网络效应识别。
原文摘要
We study the problem of variable selection in convex nonparametric least squares (CNLS). Whereas the least absolute shrinkage and selection operator (Lasso) is a popular technique for least squares, its variable selection performance is unknown in CNLS problems. In this work, we investigate the performance of the Lasso estimator and find out it is usually unable to select variables efficiently. Exploiting the unique structure of the subgradients in CNLS, we develop a structured Lasso method by combining $\ell_1$-norm and $\ell_{\infty}$-norm. The relaxed version of the structured Lasso is proposed for achieving model sparsity and predictive performance simultaneously, where we can control the two effects--variable selection and model shrinkage--using separate tuning parameters. A Monte Carlo study is implemented to verify the finite sample performance of the proposed approaches. We also use real data from Swedish electricity distribution networks to illustrate the effects of the proposed variable selection techniques. The results from the simulation and application confirm that the proposed structured Lasso performs favorably, generally leading to sparser and more accurate predictive models, relative to the conventional Lasso methods in the literature.