Efficient Group Lasso Regularized Rank Regression with Simulation-Based Tuning
高效组套索正则化秩回归与基于模拟的调参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。
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：摘要聚焦高维稳健回归的估计、调参与优化算法，属于计量方法与统计计算主题，未直接对应所提供的因果推断、面板、时间序列、金融等应用领域细分，故留空。
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…
高效组套索正则化秩回归与基于模拟的调参
- 研究问题
- 摘要称，研究问题是在高维回归面临重尾噪声与离群值时，如何构造兼具稳健性与组稀疏性的估计方法，并解决其调参与优化求解问题。
- 方法与思路
- 作者提出采用基于 Wilcoxon 得分的非光滑秩目标函数，并加入组稀疏正则；将秩 Lasso 的无调参性质推广为基于模拟的调参规则，建立有限样本误差界，并用近端增广拉格朗日方法求解，借助 KKT 映射的度量次正则性给出收敛分析。
- 材料陈述的贡献
- 摘要称贡献包括：提出组套索正则化秩回归估计量及其基于模拟的调参规则，给出有限样本误差界，提供近端增广拉格朗日算法的收敛性分析与半光滑牛顿子问题更新，并通过数值实验展示稳健性、有效性与可扩展性。
- 阅读关注点
- 阅读全文时应核对：秩目标与组稀疏结合后的识别条件与假设、有限样本误差界的具体形式与依赖量、模拟调参规则的理论依据与实现细节、度量次正则性证明的前提，以及数值比较的设定与基准选择。
- 阅读边界
- 仅凭摘要无法判断假设是否合理、误差界是否紧、调参规则的实际表现与算法复杂度；摘要未说明具体数据、样本量与数值结果。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
High-dimensional regression often suffers from heavy-tailed noise and outliers, which can severely undermine the reliability of least-squares based methods. To improve robustness, we adopt a non-smooth Wilcoxon score based rank objective and incorporate the group sparsity regularization. By extending the tuning-free property originally developed for the rank Lasso, we introduce a simulation-based tuning rule and further establish a finite-sample error bound for the resulting estimator. To solve the associated optimization problem, we develop a proximal augmented Lagrangian method, for which we provide a novel convergence analysis by proving the metric subregularity of the underlying non-polyhedral KKT mapping, while enabling efficient semismooth Newton updates for the subproblems. Extensive numerical experiments demonstrate the robustness and effectiveness of our proposed estimator against several leading alternatives, and showcase the efficiency and scalability of our algorithm compared to the state-of-the-art baseline in both simulated and real-data settings.