Early stopping for L2-boosting in high-dimensional linear models
高维线性模型中 L2-boosting 的早停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：摘要研究通用高维线性回归算法，未明确对应所列经济计量细分方向。
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…
关注这篇论文的作者
高维线性模型中 L2-boosting 的早停
- 研究问题
- 高维线性回归中的正交匹配追踪能否仅利用已完成的迭代决定停止时点，同时保留统计保证并降低计算成本？
- 方法与思路
- 作者分析数据驱动的序贯早停规则，以经验风险的预言不等式和总体风险收敛速率建立保证，并进行模拟比较。
- 材料陈述的贡献
- 摘要称，早停保留该设定下的统计最优性，且模拟中以明显较低计算成本取得与交叉验证 Lasso 等方法相当的表现。
- 阅读关注点
- 应核对停止规则所需信息、预言不等式及最优速率的假设，以及计算成本和预测风险比较采用的模拟设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；未提供停止阈值、理论条件或比较数值，不能推广统计最优性或成本优势到任意模型。
原文摘要
Increasingly high-dimensional data sets require that estimation methods do not only satisfy statistical guarantees but also remain computationally feasible. In this context, we consider L2-boosting via orthogonal matching pursuit in a high-dimensional linear model and analyze a data-driven early stopping time τ of the algorithm, which is sequential in the sense that its computation is based on the first τ iterations only. This approach is much less costly than established model selection criteria, that require the computation of the full boosting path, which may even be computationally infeasible in truly high-dimensional applications. We prove that sequential early stopping preserves statistical optimality in this setting in terms of a fully general oracle inequality for the empirical risk and recently established optimal convergence rates for the population risk. Finally, an extensive simulation study shows that at a significantly reduced computational cost, the performance of early stopping methods is on par with other state of the art algorithms such as the cross-validated Lasso or model selection via a high-dimensional Akaike criterion based on the full boosting path.