Efficient Federated Estimation and Inference for High-Dimensional Tail Index Regression
高维尾指数回归的高效联邦估计与推断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：摘要聚焦重尾数据的尾指数回归与尾部厚度建模，直接对应尾部与系统性风险方向；其余领域细分在摘要中缺乏文本依据。
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…
高维尾指数回归的高效联邦估计与推断
- 研究问题
- 摘要称，尾指数回归研究协变量如何影响重尾数据的尾部厚度，但现有方法主要针对单一数据集，未处理数据分散于异质来源、因隐私或监管限制无法直接合并的联邦场景。
- 方法与思路
- 作者提出个性化联邦框架，兼顾客户端异质性并利用潜在相似性；估计量结合稀疏正则化与非凹融合惩罚，实现系数估计、变量选择与分组恢复，并给出基于ADMM的联邦算法与自适应梯度更新。
- 材料陈述的贡献
- 摘要称建立了非渐近收敛率，证明估计量具有oracle性质并能一致恢复分组结构；给出算法收敛保证；提出基于相关客户端自适应加权聚合的去偏联邦推断，得到有效置信区间与假设检验，效率优于仅用目标客户端。
- 阅读关注点
- 应核对异质性设定与潜在相似性的具体假设、融合惩罚下分组恢复的识别条件、非渐近率与oracle性质的适用范围，以及去偏推断的加权方式与效率比较所依赖的条件。
- 阅读边界
- 仅凭摘要无法判断定理假设是否合理、模拟与实证的具体设定和结果，也未说明数据来源与可复现性；该文为arXiv预印本，未经同行评审或期刊接收验证。
原文摘要
Tail index regression studies how covariates affect tail heaviness in heavy-tailed data. In many applications, data are distributed across heterogeneous sources, where direct pooling is infeasible due to privacy or regulatory constraints. Existing methods mainly focus on single-dataset analysis and do not address heterogeneous federated settings. We develop a personalized federated framework for high-dimensional tail index regression that accommodates client heterogeneity while exploiting latent similarities across clients. The proposed estimator combines sparsity regularization with nonconcave fusion penalties to perform coefficient estimation, variable selection, and group recovery. We establish non-asymptotic convergence rates and show that the estimator enjoys an oracle property by consistently recovering the underlying grouping structure. For computation, we develop an ADMM-based federated algorithm with adaptive gradient updates and establish its convergence guarantees. We further propose a debiased federated inference procedure based on adaptive weighted aggregation across related clients, yielding valid confidence intervals and hypothesis tests with improved efficiency over target-only inference. Simulation studies and real-data analysis demonstrate the effectiveness of the proposed methods.