AdapDISCOM: An Adaptive Sparse Regression Method for High-Dimensional Multimodal Data With Block-Wise Missingness and Measurement Errors
AdapDISCOM：面向块状缺失与测量误差的高维多模态自适应稀疏回归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：摘要聚焦高维稀疏回归、缺失数据与测量误差的方法与理论，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择。
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
AdapDISCOM：面向块状缺失与测量误差的高维多模态自适应稀疏回归
- 研究问题
- 摘要称，研究如何在多模态高维数据同时存在块状缺失与测量误差时进行统计推断与预测，并兼顾模态间结构与误差幅度的异质性。
- 方法与思路
- 作者提出 AdapDISCOM，在 DISCOM 框架上引入模态特定加权，并给出 AdapDISCOM-Huber 与 Fast-AdapDISCOM 等稳健、计算高效的变体；通过模拟与 ADNI 数据应用评估。
- 材料陈述的贡献
- 摘要称建立了模型选择相合性与收敛率（次高斯与重尾情形），模拟中在异质污染与重尾分布下优于 DISCOM、SCOM、CoCoLasso，并在 ADNI 上改善认知评分预测与生物标志物选择。
- 阅读关注点
- 应核对块状缺失与测量误差的具体识别假设、加权方案如何构造、理论条件与收敛率的确切形式，以及模拟与 ADNI 应用的对照设置和评价指标。
- 阅读边界
- 仅凭摘要无法判断假设合理性、证明细节、模拟可复现性与实际优越性；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
Multimodal high-dimensional data are increasingly prevalent in biomedical research, yet they are often compromised by block-wise missingness and measurement errors, posing significant challenges for statistical inference and prediction. We propose AdapDISCOM, a novel adaptive direct sparse regression method that simultaneously addresses these two pervasive issues. Building on the DISCOM framework, AdapDISCOM introduces modality-specific weighting schemes to account for heterogeneity in data structures and error magnitudes across modalities. We establish the theoretical properties of AdapDISCOM, including model selection consistency and convergence rates under sub-Gaussian and heavy-tailed settings, and develop robust and computationally efficient variants (AdapDISCOM-Huber and Fast-AdapDISCOM). Extensive simulations demonstrate that AdapDISCOM consistently outperforms existing methods such as DISCOM, SCOM, and CoCoLasso, particularly under heterogeneous contamination and heavy-tailed distributions. Finally, we apply AdapDISCOM to Alzheimers Disease Neuroimaging Initiative (ADNI) data, demonstrating improved prediction of cognitive scores and reliable selection of established biomarkers, even with substantial missingness and measurement errors. AdapDISCOM provides a flexible, robust, and scalable framework for high-dimensional multimodal data analysis under realistic data imperfections.