Near-ideal model selection by ℓ1 minimization
通过 ℓ1 最小化实现近理想模型选择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：摘要研究一般高维稀疏回归的均值估计与模型选择，未明确关联所列经济计量细分方向。
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
通过 ℓ1 最小化实现近理想模型选择
- 研究问题
- 在变量数超过观测数、均值具有稀疏或近似稀疏表示时，能否用计算可行的 lasso 达到接近已知最佳变量集合的估计误差？
- 方法与思路
- 作者分析 lasso 二次规划的非渐近误差，将其与拥有理想变量信息的 oracle 比较，并研究多数稀疏组合中的平均表现。
- 材料陈述的贡献
- 摘要称在所述情形下平方误差可处于理想均方误差的一个对数因子内，且结果要求预测变量两两不过度共线，但不覆盖所有情形。
- 阅读关注点
- 应核对多数情形和平均表现对应的概率机制、共线性要求、噪声与调参条件，以及 oracle 基准是否意味着精确变量恢复。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体条件未展开，平均误差保证不能视为每个稀疏信号均可精确选模，也不能推断刊本变化。
原文摘要
We consider the fundamental problem of estimating the mean of a vector y=Xβ+z, where X is an n×p design matrix in which one can have far more variables than observations, and z is a stochastic error term—the so-called “p>n” setup. When β is sparse, or, more generally, when there is a sparse subset of covariates providing a close approximation to the unknown mean vector, we ask whether or not it is possible to accurately estimate Xβ using a computationally tractable algorithm. We show that, in a surprisingly wide range of situations, the lasso happens to nearly select the best subset of variables. Quantitatively speaking, we prove that solving a simple quadratic program achieves a squared error within a logarithmic factor of the ideal mean squared error that one would achieve with an oracle supplying perfect information about which variables should and should not be included in the model. Interestingly, our results describe the average performance of the lasso; that is, the performance one can expect in an vast majority of cases where Xβ is a sparse or nearly sparse superposition of variables, but not in all cases. Our results are nonasymptotic and widely applicable, since they simply require that pairs of predictor variables are not too collinear.