I-LAMM for Sparse Learning: Simultaneous Control of Algorithmic Complexity and Statistical Error
稀疏学习的 I-LAMM：同时控制算法复杂度与统计误差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：摘要讨论一般高维稀疏学习与非凸优化的算法及统计理论，未给出宏观、微观或金融细分研究对象的直接证据。
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…
稀疏学习的 I-LAMM：同时控制算法复杂度与统计误差
- 研究问题
- 拟合带非凸惩罚的高维模型时，如何安排优化精度和迭代过程，同时控制计算复杂度与统计误差并获得理论保证？
- 方法与思路
- 作者提出两阶段 I-LAMM：先以较粗容差求解凸问题得到初值，再以更小容差迭代求解凸问题，实施折叠凹惩罚的局部线性逼近。
- 材料陈述的贡献
- 摘要称，算法由第一阶段的次线性迭代复杂度转为第二阶段的线性收敛，并以收缩性质说明迭代如何影响统计误差。
- 阅读关注点
- 应核对局部稀疏或受限特征值条件、容差与停止规则、最小信号要求，以及所称最优统计表现与复杂度的具体定义。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出完整假设，较弱条件及最优性主张须结合全文比较范围判断。
原文摘要
We propose a computational framework named iterative local adaptive majorize-minimization (I-LAMM) to simultaneously control algorithmic complexity and statistical error when fitting high dimensional models. I-LAMM is a two-stage algorithmic implementation of the local linear approximation to a family of folded concave penalized quasi-likelihood. The first stage solves a convex program with a crude precision tolerance to obtain a coarse initial estimator, which is further refined in the second stage by iteratively solving a sequence of convex programs with smaller precision tolerances. Theoretically, we establish a phase transition: the first stage has a sublinear iteration complexity, while the second stage achieves an improved linear rate of convergence. Though this framework is completely algorithmic, it provides solutions with optimal statistical performances and controlled algorithmic complexity for a large family of nonconvex optimization problems. The iteration effects on statistical errors are clearly demonstrated via a contraction property. Our theory relies on a localized version of the sparse/restricted eigenvalue condition, which allows us to analyze a large family of loss and penalty functions and provide optimality guarantees under very weak assumptions (For example, I-LAMM requires much weaker minimal signal strength than other procedures). Thorough numerical results are provided to support the obtained theory.