Mixtures, Envelopes and Hierarchical Duality
混合表示、包络表示与层级对偶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：摘要明确列出非线性分位数回归应用，因此与分位数方向相关，但论文主体是更一般的表示与优化理论。
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
混合表示、包络表示与层级对偶
- 研究问题
- 统计目标函数的混合表示与包络表示之间有何联系，这种联系如何连接边际化、剖面优化和可实施的算法？
- 方法与思路
- 作者建立层级对偶的若干条件，将包络表示推广至方差—均值及多元高斯位置模型，并解释近端梯度的缺失数据形式。
- 材料陈述的贡献
- 摘要称框架连接两类表示并产生易实施算法，示例包括稳健融合套索、基于趋势滤波的非线性分位数回归等。
- 阅读关注点
- 应核对不同对偶条件及表示的等价范围，查看近端梯度解释与应用算法的关系，以及分位数回归示例的具体设定。
- 阅读边界
- 仅据所给Crossref摘要；摘要未说明对偶条件、算法收敛或比较性能，代码链接的存在也不能据此确认复现结果。
原文摘要
Summary We develop a connection between mixture and envelope representations of objective functions that arise frequently in statistics. We refer to this connection by using the term ‘hierarchical duality’. Our results suggest an interesting and previously underexploited relationship between marginalization and profiling, or equivalently between the Fenchel–Moreau theorem for convex functions and the Bernstein–Widder theorem for Laplace transforms. We give several different sets of conditions under which such a duality result obtains. We then extend existing work on envelope representations in several ways, including novel generalizations to variance–mean models and to multivariate Gaussian location models. This turns out to provide an elegant missing data interpretation of the proximal gradient method, which is a widely used algorithm in machine learning. We show several statistical applications in which the framework proposed leads to easily implemented algorithms, including a robust version of the fused lasso, non-linear quantile regression via trend filtering and the binomial fused double-Pareto model. Code for the examples is available on GitHub at https://github.com/jgscott/hierduals.