Distributed Selective Inference for Quantile Regression
分位数回归的分布式选择后推断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：摘要明确以高维分位数回归为研究对象，直接对应分位数与分布方向；分布式计算本身不构成面板或网络证据。
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
分位数回归的分布式选择后推断
- 研究问题
- 面对高维分位数回归的非光滑损失和多机器数据，如何在变量选择后进行有效推断，并限制机器之间的通信成本？
- 方法与思路
- 作者用响应替代策略转化为惩罚最小二乘，通过随机化、Lasso 的 KKT 条件和条件分布构造三轮通信的选择后推断。
- 材料陈述的贡献
- 摘要称建立了相应程序的渐近有效性，提出选择似然的大偏差近似，并通过模拟与真实数据展示有限样本表现。
- 阅读关注点
- 应核对响应替代对目标参数的影响、随机化和选择事件的定义、机器规模增长条件，以及似然近似与通信成本的边界。
- 阅读边界
- 依据 arXiv 第2版预印本摘要，不能声称已同行评审或期刊接收；摘要未展开所谓常规条件，也未给出覆盖率和计算结果。
原文摘要
We propose a distributed selective inference framework tailored for high-dimensional quantile regression. To enable valid post-selection inference in this context, we address the computational challenge posed by the non-smooth quantile loss via a response-surrogation strategy. This strategy transforms the problem into a penalized least-squares formulation, thereby facilitating distributed selective inference. For valid post-selection inference, a randomized procedure is introduced, in which the Lasso selection event is characterized through the associated Karush-Kuhn-Tucker conditions and the conditional distribution of the aggregated estimator is derived given the selection event. The resulting algorithm requires only three rounds of communication between local machines and the central server. Under standard regularity conditions, we establish the asymptotic validity of the proposed procedure and develop a large-deviation approximation to the selective likelihood for computationally tractable implementation. Simulation studies and a real-data application demonstrate the satisfactory finite-sample performance of the proposed method.