Adaptive Multi-Prior Lasso for High-Dimensional Generalized Linear Models
高维广义线性模型的自适应多先验 LassoAI 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：摘要聚焦高维广义线性模型的正则化估计与变量选择方法，属于统计方法论，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量等方向。
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…
高维广义线性模型的自适应多先验 Lasso
- 研究问题
- 摘要称，如何在高维广义线性模型中同时识别可靠的外部先验来源并加以整合，以避免因先验质量参差而导致的偏差或误导性结果。
- 方法与思路
- 作者提出自适应多先验 Lasso 正则化方法，为每个先验分配数据驱动的自适应权重，使更可靠的来源获得更高权重、可信度低的来源被降权，并给出理论保证。
- 材料陈述的贡献
- 摘要称该方法可同时识别可靠先验来源并整合以改进模型表现，理论上给出保证，模拟显示在估计、预测与变量选择上有所改善，并应用于 TCGA 乳腺癌基因表达数据。
- 阅读关注点
- 应核对自适应权重的具体构造与识别可靠先验的准则、理论保证所依赖的假设与渐近条件、模拟设计及对比基准，以及 TCGA 应用中先验来源与评价指标的定义。
- 阅读边界
- 仅凭摘要无法判断理论假设是否合理、模拟与实证结论是否稳健，也无法核实具体数值结果；摘要未说明权重估计的计算细节与先验冲突时的表现。
原文摘要
Incorporation of external information into high-dimensional modeling for gene expression data has been shown, both theoretically and empirically, to substantially enhance performance. Such external information, sometimes referred to as prior information or priors, has become increasingly accessible from multiple sources, yet its reliability may vary considerably. Existing approaches often integrate these priors without sufficiently accounting for their quality, which may result in unsatisfactory or even misleading results. To effectively and selectively exploit such priors, we propose adaptive Multi-Prior Lasso, a novel regularization approach that simultaneously identifies reliable prior sources and integrates them to improve model performance. For high-dimensional generalized linear models (GLMs), an adaptive data-driven weight is assigned to each prior, so that more reliable sources are emphasized while less credible ones are downweighted. Theoretical guarantees are established, and the proposed method is shown through extensive simulations to improve estimation, prediction, and variable selection. An application to TCGA breast cancer gene expression data further illustrates the practical value of the proposed method, showing that incorporating prior information from PubMed published studies improves model performance.