Robust and Sparse Generalized Linear Models for High-Dimensional Data via Maximum Mean Discrepancy
基于最大均值差异的高维广义线性模型稳健稀疏估计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：摘要聚焦高维广义线性模型的稳健估计与变量选择方法，属于统计方法论，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量等方向，故不选择任何细分。
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…
关注这篇论文的作者
基于最大均值差异的高维广义线性模型稳健稀疏估计
- 研究问题
- 摘要称，高维数据常受离群值与重尾噪声污染，会使 Lasso 等标准正则化估计量产生严重偏差；作者关注如何将最大均值差异（MMD）稳健回归框架扩展到高维广义线性模型，并同时实现变量选择。
- 方法与思路
- 作者提出带 ℓ1 惩罚的 MMD 目标函数，给出完整 O(n^2) 版本与计算高效的 O(n) 近似版本，并用结合 AdaGrad 的交替方向乘子法（ADMM）求解该非凸优化问题。
- 材料陈述的贡献
- 摘要称，通过高斯线性回归与二值逻辑回归的模拟研究，所提方法在估计精度与变量选择之间保持平衡，在高杠杆点和重尾误差分布等污染情形下表现稳健，与经典惩罚 GLM 及已有稳健基准相比具有竞争力。
- 阅读关注点
- 应核对 MMD 核函数与带宽的选择方式、ℓ1 惩罚下变量选择的理论保证（如一致性或 oracle 性质）、O(n) 近似的误差界，以及模拟设定中污染比例、维度和样本量的具体取值。
- 阅读边界
- 仅凭摘要无法判断估计量的识别条件、理论性质、调参细节与真实数据表现；模拟结论不能外推为普遍优越性。该文为 arXiv 预印本，未经同行评审验证，不应据此声称已被期刊接收。
原文摘要
High-dimensional datasets are frequently subject to contamination by outliers and heavy-tailed noise, which can severely bias standard regularized estimators like the Lasso. While Maximum Mean Discrepancy (MMD) has recently been introduced as a ``universal'' framework for robust regression, its application to high-dimensional Generalized Linear Models (GLMs) remains largely unexplored, particularly regarding variable selection. In this paper, we propose a penalized MMD framework for robust estimation and feature selection in GLMs. We introduce an $\ell_1$-penalized MMD objective and develop two versions of the estimator: a full $O(n^2)$ version and a computationally efficient $O(n)$ approximation. To solve the resulting non-convex optimization problem, we employ an algorithm based on the Alternating Direction Method of Multipliers (ADMM) combined with AdaGrad. Through extensive simulation studies involving Gaussian linear regression and binary logistic regression, we demonstrate that our proposed methods are highly competitive with classical penalized GLMs and existing robust benchmarks. Our approach shows particular resilience in maintaining a balance between estimation accuracy and variable selection across diverse contamination scenarios, especially in handling high-leverage points and heavy-tailed error distributions where traditional methods may fluctuate in performance.