Properties and refinements of the fused lasso
融合 Lasso 的性质与改进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：摘要只描述一般分块稀疏信号，没有明确时间序列或经济结构变化场景，故不据此分类。
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…
关注这篇论文的作者
融合 Lasso 的性质与改进
- 研究问题
- 对于受到加性噪声污染、同时具有分块和稀疏结构的未知信号，如何恢复真实分块及非零位置并控制估计误差？
- 方法与思路
- 作者研究融合 lasso 及其自适应改进，并分析两种约束筛估计：分别限制 L1 范数与总变差，以及分块数与非零坐标数。
- 材料陈述的贡献
- 摘要称，文中给出融合及自适应融合 lasso 恢复真实结构的条件，并推导显式依赖约束参数的筛估计收敛率。
- 阅读关注点
- 应核对噪声假设、信号强度与分块长度条件、调节参数选择，以及所谓更好性质具体指结构恢复还是估计误差。
- 阅读边界
- OpenAlex 摘要版本未注明，未列出恢复条件或具体速率，不能认定改进方法普遍占优，也不能把分块信号直接等同于时间结构变化。
原文摘要
We consider estimating an unknown signal, both blocky and sparse, which is corrupted by additive noise. We study three interrelated least squares procedures and their asymptotic properties. The first procedure is the fused lasso, put forward by Friedman et al. [Ann. Appl. Statist. 1 (2007) 302–332], which we modify into a different estimator, called the fused adaptive lasso, with better properties. The other two estimators we discuss solve least squares problems on sieves; one constrains the maximal ℓ1 norm and the maximal total variation seminorm, and the other restricts the number of blocks and the number of nonzero coordinates of the signal. We derive conditions for the recovery of the true block partition and the true sparsity patterns by the fused lasso and the fused adaptive lasso, and we derive convergence rates for the sieve estimators, explicitly in terms of the constraining parameters.