The Adaptive Lasso with Weighted IPW Factor and KRR Penalty Function
带加权 IPW 因子与 KRR 惩罚函数的自适应 LassoAI 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：摘要仅说明加权正则化与变量选择，未交代 IPW 是否用于因果推断，不能仅凭术语归入因果方向。
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
带加权 IPW 因子与 KRR 惩罚函数的自适应 Lasso
- 研究问题
- 加入加权 IPW 因子后，Lasso 的变量选择何时一致或不一致，修改后的自适应 Lasso 能否获得 Oracle 性质？
- 方法与思路
- 作者先分析带加权 IPW 因子的 Lasso，再引入结合该因子与 KRR 惩罚函数的自适应版本，并开展数值模拟。
- 材料陈述的贡献
- 摘要称给出原估计量选择一致或不一致的若干条件，并为修改版本建立 Oracle 性质；模拟呈现接近极小极大最优的表现。
- 阅读关注点
- 应核对 IPW 权重和 KRR 惩罚的定义、目标模型、权重估计误差，以及 Oracle 性质和模拟最优性判断的依据。
- 阅读边界
- 依据 arXiv v1 预印本摘要，不能声称已同行评审或期刊接收；具体条件未说明，模拟表现也不等同于极小极大最优定理。
原文摘要
In this paper, we first consider a Lasso estimator incorporating a weighted IPW factor,and obtain certain conditions for the Lasso variable selection to be consistent or inconsistent. Then we provide a modified version of the adaptive Lasso equipped with a weighted IPW factor and a KRR penalty function, establishing that the proposed adaptive Lasso possesses the Oracle property. Numerical simulations demonstrate that the proposed adaptive Lasso exhibits near-minimax optimality in performance