Sparsity and Smoothness Via the Fused Lasso
通过融合 Lasso 实现稀疏性与平滑性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：摘要研究通用高维正则化及生物数据应用，未明确涉及经济结构变化或其他所列细分。
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…
通过融合 Lasso 实现稀疏性与平滑性
- 研究问题
- 对于具有自然顺序且特征数可能远大于样本量的回归问题，如何同时促使系数稀疏和相邻系数相同，形成局部常数结构？
- 方法与思路
- 作者在最小二乘损失中同时惩罚系数及相邻系数差的 L1 范数，并将这种融合惩罚扩展到支持向量分类的 hinge 损失。
- 材料陈述的贡献
- 摘要提出融合 Lasso，使系数和系数差同时趋于稀疏，并以蛋白质质谱及基因表达数据展示方法及其分类扩展。
- 阅读关注点
- 应核对特征顺序的实质依据、两类惩罚的调参方式与优化算法，并检查高维情形的效果及示例中的评价标准。
- 阅读边界
- 依据所给 Crossref 摘要。这里的平滑主要体现为系数轮廓局部常数；摘要未提供风险保证、变量选择一致性或普遍优于其他方法的证据。
原文摘要
Summary The lasso penalizes a least squares regression by the sum of the absolute values (L1-norm) of the coefficients. The form of this penalty encourages sparse solutions (with many coefficients equal to 0). We propose the ‘fused lasso’, a generalization that is designed for problems with features that can be ordered in some meaningful way. The fused lasso penalizes the L1-norm of both the coefficients and their successive differences. Thus it encourages sparsity of the coefficients and also sparsity of their differences—i.e. local constancy of the coefficient profile. The fused lasso is especially useful when the number of features p is much greater than N, the sample size. The technique is also extended to the ‘hinge’ loss function that underlies the support vector classifier. We illustrate the methods on examples from protein mass spectroscopy and gene expression data.