The Statistics of Streaming Sparse Regression
流式稀疏回归的统计性质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：摘要关注通用流式稀疏线性回归的算法与统计性质，未明确宏观预测、收益预测或其他所列经济应用。
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…
流式稀疏回归的统计性质
- 研究问题
- 在训练样本逐次到达的流式环境中，能否以接近随机梯度下降的计算资源，实现稀疏线性回归的变量恢复与良好收敛率？
- 方法与思路
- 作者提出随机梯度下降的稀疏版本，在线性回归与噪声特征满足不可表示条件的设定下，分析支持集恢复及统计收敛率。
- 材料陈述的贡献
- 摘要称算法以高概率恢复支持集，达到 O_p(k log(d)/T) 的近最优速率，且计算资源不超过随机梯度下降，并给出实验比较。
- 阅读关注点
- 应核对不可表示条件、信号强度及收敛率对应的误差度量，并检查流式更新的存储需求、参数选择和实验比较是否一致。
- 阅读边界
- 这是 arXiv 预印本，同行评审未核实。摘要未列出全部条件及实验数值，不能将其性能声明推广到任意相关特征或数据流。
原文摘要
We present a sparse analogue to stochastic gradient descent that is guaranteed to perform well under similar conditions to the lasso. In the linear regression setup with irrepresentable noise features, our algorithm recovers the support set of the optimal parameter vector with high probability, and achieves a statistically quasi-optimal rate of convergence of Op(k log(d)/T), where k is the sparsity of the solution, d is the number of features, and T is the number of training examples. Meanwhile, our algorithm does not require any more computational resources than stochastic gradient descent. In our experiments, we find that our method substantially out-performs existing streaming algorithms on both real and simulated data.