Adaptive regularization using the entire solution surface
利用完整解曲面进行自适应正则化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：摘要讨论一般回归正则化与变量选择，未提供对应所列经济计量应用方向的依据。
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…
关注这篇论文的作者
利用完整解曲面进行自适应正则化
- 研究问题
- 变量选择如何兼顾稀疏与非稀疏、分组与非分组结构，并在多个正则化参数之间进行有效计算和自适应调节？
- 方法与思路
- 作者提出 L1 与 L∞ 范数的凸组合惩罚，并利用次梯度构造同伦算法，计算包含多个正则化项的解曲面。
- 材料陈述的贡献
- 摘要称，新惩罚能够实现分组与自适应正则化，解曲面算法支持高效计算与调参，数值例子表现具有竞争力。
- 阅读关注点
- 应核对组合权重与调参规则、分组性质成立的条件，以及解曲面算法的计算成本和比较实验所采用的评价指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明理论保证与具体实验结果，不能据此断言普遍优于其他方法。
原文摘要
Several sparseness penalties have been suggested for delivery of good predictive performance in automatic variable selection within the framework of regularization. All assume that the true model is sparse. We propose a penalty, a convex combination of the L1- and L∞-norms, that adapts to a variety of situations including sparseness and nonsparseness, grouping and nongrouping. The proposed penalty performs grouping and adaptive regularization. In addition, we introduce a novel homotopy algorithm utilizing subgradients for developing regularization solution surfaces involving multiple regularizers. This permits efficient computation and adaptive tuning. Numerical experiments are conducted using simulation. In simulated and real examples, the proposed penalty compares well against popular alternatives.