From Penalization to Over-Parameterization: Achieving Implicit Regularization for High-Dimensional Linear Errors-in-Variables Models
从惩罚到过参数化：高维线性变量误差模型的隐式正则化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：摘要属于通用高维回归与测量误差方法，未提供足以对应所列应用领域细分的证据。
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
从惩罚到过参数化：高维线性变量误差模型的隐式正则化
- 研究问题
- 在高维线性变量误差模型中，如何校正测量误差偏差，同时通过过参数化获得稀疏估计，并处理未知测量误差协方差？
- 方法与思路
- 作者提出校准无惩罚估计，对过参数化的校准损失使用梯度下降实现隐式正则化，并引入自助法处理未知误差协方差。
- 材料陈述的贡献
- 摘要称，该方法产生稀疏回归系数估计，在一定正则条件下建立估计误差的预言不等式，模拟和真实数据展示有竞争力的表现。
- 阅读关注点
- 应核对过参数化形式、初始化与停止规则、测量误差校准的可识别条件，以及自助法构造和预言不等式的具体界。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不能将避免惩罚偏差等同于完全无偏；正则条件、数据背景与数值未说明，刊本变化不可推断。
原文摘要
Regularization methods are crucial for the analysis of high-dimensional data, with most methods adding a penalty term to the loss function explicitly. In this paper, we introduce an implicit regularization technique through over-parameterization and propose a calibrated penalty-free (CPF) estimation method for high-dimensional linear errors-in-variables models. This method calibrates the bias caused by measurement errors while avoiding the bias introduced by penalty terms. We use the gradient descent algorithm to minimize the over-parameterized calibrated loss function without penalties, resulting in a sparse estimate of regression coefficients and thus achieving implicit regularization. Furthermore, a novel bootstrap methodology is introduced to address the challenge posed by the unknown covariance matrix of measurement errors. The oracle inequality for estimation error is established under certain regularity conditions. Extensive simulation studies and a real data analysis illustrate the competitive finite sample performance of the proposed method.