Robust Signal Recovery for High-Dimensional Linear Log-Contrast Models with Compositional Covariates
含成分协变量的高维线性对数对比模型稳健信号恢复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：摘要研究通用高维成分回归的稳健信号恢复，两项应用不足以确定给定列表中的特定计量方向。
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…
含成分协变量的高维线性对数对比模型稳健信号恢复
- 研究问题
- 研究在误差可能厚尾且非对称时，如何稳健估计含成分协变量的高维线性对数对比模型，并恢复斜率信号及符号。
- 方法与思路
- 作者使用结合 L1 惩罚的 Huber 损失进行估计，分析参数误差与带符号支持集恢复，并以模拟和两类数据展示应用。
- 材料陈述的贡献
- 摘要称，估计量具有 L1 与 L2 一致性，并在类似不可表示条件和最小信号强度条件下高概率恢复带符号支持集。
- 阅读关注点
- 应核对成分约束如何进入优化、Huber 阈值与惩罚如何选择，以及支持集恢复条件对协变量相关性和弱信号的要求。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能判断完整分布条件或应用中的变量选择可靠性；具体条件与后续刊本变化未核验。
原文摘要
In this article, we propose a robust signal recovery method for high-dimensional linear log-contrast models, when the error distribution could be heavy-tailed and asymmetric. The proposed method is built on the Huber loss with ℓ1 penalization. We establish the ℓ1 and ℓ2 consistency for the resulting estimator. Under conditions analogous to the irrepresentability condition and the minimum signal strength condition, we prove that the signed support of the slope parameter vector can be recovered with high probability. The finite-sample behavior of the proposed method is evaluated through simulation studies, and applications to a GDP satisfaction dataset an HIV microbiome dataset are provided.