Regularized Regression by Composition: Identifiability, Structured Penalization, and Statistical Guarantees for Multi-Flow Distributional Models
基于复合的正则化回归：多流分布模型的可识别性、结构化惩罚与统计保证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：摘要聚焦条件分布的复合建模、惩罚似然与分布层面的估计与选择，并应用于健康暴露数据，最直接对应“分位数与分布效应”这一分布建模方向；其余领域细分在摘要中缺乏文本依据。
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
基于复合的正则化回归：多流分布模型的可识别性、结构化惩罚与统计保证
- 研究问题
- 摘要称，当多个流作用于同一分布时，复合回归模型出现不可识别问题，导致似然平坦区域与估计不稳定；研究如何在保留复合框架灵活性的同时恢复可识别性并获得稳定估计。
- 方法与思路
- 作者提出结构化正则化框架，为不同流分配各自的惩罚项，将估计定义为跨流异质正则化的惩罚极大似然问题；证明惩罚下的可识别性、严格凸化带来的极小元唯一性与渐近一致性，并对自适应 Lasso 证明 oracle 性质；用近端梯度算法处理非光滑惩罚，并通过模拟与 NHANES 哮喘与铅暴露数据应用进行考察。
- 材料陈述的贡献
- 摘要明确陈述的贡献包括：提出按流设定惩罚的结构化正则化框架以解决多流复合模型的不可识别性；给出可识别性、极小元唯一性、渐近一致性及自适应 Lasso 的 oracle 性质等理论结果；提供处理非光滑惩罚的近端梯度算法；模拟显示 Lasso 与 Elastic Net 能打破不可识别并实现较低估计误差与受控假阳性率；应用显示正则化估计更稳定可解释并自动选出相关风险变换。
- 阅读关注点
- 应核对：可识别性所需的具体条件与惩罚形式假设；严格凸化与唯一性证明的适用范围；渐近一致性与 oracle 性质所依赖的样本量、稀疏性与调参条件；近端梯度算法的收敛保证；模拟设计中的样本量、相关结构与信噪比设定；NHANES 应用中的变量定义、模型设定与 Labbe 图解释是否支持因果性表述。
- 阅读边界
- 仅依据摘要，无法判断定理假设是否现实、证明是否正确、模拟与实证结果是否可复现，也不能据此推断方法相对既有方法的优越性；摘要未说明具体正则化参数选择方式、算法收敛速率与实证识别策略。该文为 arXiv 预印本，未经同行评审验证，不能声称已被期刊接收。
原文摘要
Regression by composition provides a flexible framework for constructing conditional distributions through sequential group actions. However, when multiple flows act on the same distribution, the model becomes non-identifiable, leading to flat likelihood regions and unstable estimates. We introduce a structured regularization framework that resolves this issue by assigning flow-specific penalties. The resulting estimator is defined as a penalized maximum likelihood problem with heterogeneous regularization across flows. We establish theoretical properties, including identifiability under penalization, uniqueness of the minimizer via strict convexification, and asymptotic consistency. For the adaptive Lasso, we further prove the oracle property. An efficient proximal gradient algorithm handles non-smooth penalties. Extensive simulation studies evaluate performance under varying sample sizes, correlation structures, and signal-to-noise ratios, demonstrating that regularized methods (Lasso and Elastic Net) successfully break non-identifiability and achieve low estimation error with controlled false positive rates. An application to NHANES data on asthma and lead exposure illustrates the practical utility: the unregularized estimator yields implausible coefficients, whereas regularized estimators produce stable and interpretable models and automatically select the relevant risk transformation. The Labbe plots derived from regularized estimators indicate a protective effect of reducing lead exposure. The proposed framework bridges identifiability theory with penalized estimation and opens the door to high-dimensional and longitudinal extensions.