On cross-validated Lasso in high dimensions
高维交叉验证 Lasso 的误差界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：摘要研究通用高维稀疏回归中的调参与误差界，未明确涉及分位数、面板、经济预测或金融应用，因此不作细分归类。
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…
高维交叉验证 Lasso 的误差界
- 研究问题
- 在解释变量数量可能远超样本量时，用 K 折交叉验证选择 Lasso 惩罚参数，能否仍获得接近最优的估计误差速率？
- 方法与思路
- 作者为交叉验证调参的 Lasso 推导非渐近误差界，分别分析预测、L2 与 L1 范数，并覆盖高斯及部分非高斯噪声。
- 材料陈述的贡献
- 摘要称三类误差具有近最优速率；高斯例子的预测速率比基准多一个根号对数因子，为常用交叉验证调参提供理论支持。
- 阅读关注点
- 应核对设计矩阵、噪声和惩罚候选集合条件，理解折数的作用，并区分高斯示例速率与非高斯情形的一般界。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未完整列出条件，不能据此认定任意交叉验证配置都有近最优保证。
原文摘要
In this paper, we derive non-asymptotic error bounds for the Lasso estimator when the penalty parameter for the estimator is chosen using $K$-fold cross-validation. Our bounds imply that the cross-validated Lasso estimator has nearly optimal rates of convergence in the prediction, $L^2$, and $L^1$ norms. For example, we show that in the model with the Gaussian noise and under fairly general assumptions on the candidate set of values of the penalty parameter, the estimation error of the cross-validated Lasso estimator converges to zero in the prediction norm with the $\sqrt{s\log p / n}\times \sqrt{\log(p n)}$ rate, where $n$ is the sample size of available data, $p$ is the number of covariates, and $s$ is the number of non-zero coefficients in the model. Thus, the cross-validated Lasso estimator achieves the fastest possible rate of convergence in the prediction norm up to a small logarithmic factor $\sqrt{\log(p n)}$, and similar conclusions apply for the convergence rate both in $L^2$ and in $L^1$ norms. Importantly, our results cover the case when $p$ is (potentially much) larger than $n$ and also allow for the case of non-Gaussian noise. Our paper therefore serves as a justification for the widely spread practice of using cross-validation as a method to choose the penalty parameter for the Lasso estimator.