Factor Augmented Sparse Throughput Deep ReLU Neural Networks for High Dimensional Regression
用于高维回归的因子增强稀疏直通深度 ReLU 神经网络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：摘要明确使用潜在因子增强回归并应用于宏观经济数据，但未说明预测或金融任务。
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
用于高维回归的因子增强稀疏直通深度 ReLU 神经网络
- 研究问题
- 高维非参数回归如何同时利用潜在共同因子和稀疏特异成分，并适应未知的低维结构及不存在因子结构的情形？
- 方法与思路
- 作者提出 FAST 模型，用多样化投影估计因子空间，并结合截断深度 ReLU 网络及非凸正则化构造两类回归估计量。
- 材料陈述的贡献
- 摘要称估计量在层级复合模型下适应未知结构并达到非渐近极小极大速率，同时给出新的网络逼近结果及宏观数据应用。
- 阅读关注点
- 应核对因子空间的可恢复条件、稀疏性与网络复杂度约束、非凸优化实现，以及极小极大速率所针对的函数类别。
- 阅读边界
- 以下沿用原解读对于其预印本摘要的限制：这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出完整速率和优化保证，宏观应用也未提供具体结果。 复用旧预印本摘要解读；摘要与本条目相同，未另读刊稿全文，原请求未记录具体预印本版本。
原文摘要
This paper introduces a Factor Augmented Sparse Throughput (FAST) model that utilizes both latent factors and sparse idiosyncratic components for nonparametric regression. The FAST model bridges factor models on one end and sparse nonparametric models on the other end. It encompasses structured nonparametric models such as factor augmented additive models and sparse low-dimensional nonparametric interaction models and covers the cases where the covariates do not admit factor structures. Via diversified projections as estimation of latent factor space, we employ truncated deep ReLU networks to nonparametric factor regression without regularization and to a more general FAST model using nonconvex regularization, resulting in factor augmented regression using neural network (FAR-NN) and FAST-NN estimators respectively. We show that FAR-NN and FAST-NN estimators adapt to the unknown low-dimensional structure using hierarchical composition models in nonasymptotic minimax rates. We also study statistical learning for the factor augmented sparse additive model using a more specific neural network architecture. Our results are applicable to the weak dependent cases without factor structures. In proving the main technical result for FAST-NN, we establish a new deep ReLU network approximation result that contributes to the foundation of neural network theory. Our theory and methods are further supported by simulation studies and an application to macroeconomic data.