Square-Root Lasso: Pivotal Recovery of Sparse Signals via Conic Programming
平方根 LASSO：通过锥规划实现稀疏信号的枢轴恢复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。
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：摘要研究通用稀疏线性回归与优化算法，未明确对应所列专门经济计量方向。
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…
平方根 LASSO：通过锥规划实现稀疏信号的枢轴恢复
- 研究问题
- 在变量数可能远超样本量的稀疏线性回归中，如何避免预先知道或估计噪声标准差，同时保持较好的预测误差表现？
- 方法与思路
- 作者提出平方根 LASSO，使方法不依赖噪声标准差的预估，并将估计问题写为凸锥规划，以便使用内点或一阶算法。
- 材料陈述的贡献
- 摘要称在适当矩条件下，该方法适用于高斯及非高斯误差，并达到近 oracle 预测收敛率，匹配已知噪声尺度的 LASSO。
- 阅读关注点
- 应核对设计矩阵与误差矩条件、惩罚参数的具体设定，以及近 oracle 结论衡量的是何种预测范数与概率保证。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出完整矩条件，不能将无需高斯性理解为无需误差限制。
原文摘要
We propose a pivotal method for estimating high-dimensional sparse linear regression models, where the overall number of regressors $p$ is large, possibly much larger than $n$, but only $s$ regressors are significant. The method is a modification of the lasso, called the square-root lasso. The method is pivotal in that it neither relies on the knowledge of the standard deviation $σ$ or nor does it need to pre-estimate $σ$. Moreover, the method does not rely on normality or sub-Gaussianity of noise. It achieves near-oracle performance, attaining the convergence rate $σ\{(s/n)\log p\}^{1/2}$ in the prediction norm, and thus matching the performance of the lasso with known $σ$. These performance results are valid for both Gaussian and non-Gaussian errors, under some mild moment restrictions. We formulate the square-root lasso as a solution to a convex conic programming problem, which allows us to implement the estimator using efficient algorithmic methods, such as interior-point and first-order methods.