Estimation of Linear Functionals in High-Dimensional Linear Models: From Sparsity to Nonsparsity
高维线性模型中线性泛函的估计：从稀疏到非稀疏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：题名和残缺摘要仅支持通用高维估计主题，缺少所列细分领域的直接依据。
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
高维线性模型中线性泛函的估计：从稀疏到非稀疏
- 研究问题
- 题名关注高维线性模型的线性泛函估计及稀疏到非稀疏情形；所给摘要开头残缺，具体估计目标与研究设定未说明。
- 方法与思路
- 摘要仅称所提方法易于实现，涉及预测变量强弱相关及稀疏或非稀疏情形；未说明稀疏性对象、估计器或理论分析方法。
- 材料陈述的贡献
- 摘要声称数值与理论结果显示该方法在多类问题中具有竞争优势，但未提供比较对象、评价指标或足以核验的结果内容。
- 阅读关注点
- 应先核对完整摘要与原文，确认线性泛函定义、稀疏性对象、相关性条件，以及实现步骤、误差保证和比较基准。
- 阅读边界
- 这是稿件版本未注明且明显残缺的 OpenAlex 索引摘要；不能补写方法名称、适用条件、收敛速度或竞争优势的具体内容。
原文摘要
can be sparse or non-sparse and predictors can be strongly or weakly correlated. The proposed method is simple for implementation. Numerical and theoretical results demonstrate the competitive advantages of the proposed method for a wide range of problems.