Sparse Additive Regression on a Regular Lattice
规则格点上的稀疏加性回归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：摘要聚焦规则设计下的通用非参数加性回归，未明确涉及所列因果、面板、宏观或金融细分问题，故不强行分类。
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
规则格点上的稀疏加性回归
- 研究问题
- 在设计点位于规则格点的稀疏加性回归中，如何达到最小最大收敛率，并适应未知的稀疏程度与函数光滑性？
- 方法与思路
- 作者构造基于傅里叶展开的估计量，以贝叶斯形式推导，也可解释为对非零加性分量数与展开系数数目施加复杂度惩罚。
- 材料陈述的贡献
- 摘要称，论文建立 Sobolev 类上的最小最大收敛率，并提出适应未知稀疏性与光滑性的速率最优估计量。
- 阅读关注点
- 应核对规则格点设计、误差模型与 Sobolev 类的定义，惩罚项如何确定，以及速率最优性和自适应性的适用范围。
- 阅读边界
- 仅据所给 Crossref 摘要；未提供收敛率公式、维数增长条件或模拟数值，不能据此断言相对方法的普遍优势或刊本变化。
原文摘要
Summary We consider estimation in a sparse additive regression model with the design points on a regular lattice. We establish the minimax convergence rates over Sobolev classes and propose a Fourier-based rate optimal estimator which is adaptive to the unknown sparsity and smoothness of the response function. The estimator is derived within a Bayesian formalism but can be naturally viewed as a penalized maximum likelihood estimator with the complexity penalties on the number of non-zero univariate additive components of the response and on the numbers of the non-zero coefficients of their Fourer expansions. We compare it with several existing counterparts and perform a short simulation study to demonstrate its performance.