Regularity Properties for Sparse Regression
稀疏回归的正则性条件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：摘要属于一般高维稀疏回归的统计与计算理论，相关观测数据表述不足以确定因果或其他所列方向。
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
稀疏回归的正则性条件
- 研究问题
- 支撑 Lasso 等稀疏估计理论的限制特征值、相容性和敏感性条件能否有效核验，又能否从平均情形说明其实际适用范围？
- 方法与思路
- 作者证明相关条件的核验问题具有 NP-hard 性，再转向平均情形，研究 ℓq 敏感性在良好总体模型下的高概率成立及处理稳健性。
- 材料陈述的贡献
- 摘要称，相关正则条件的核验具有最坏情形计算困难；同时说明较弱、更一般的 ℓq 敏感性可在适当模型下成立并耐受某些数据处理。
- 阅读关注点
- 应核对计算困难证明针对的输入与判定问题、各条件的比较范围，以及良好总体、概率保证和允许的数据处理的具体含义。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出总体条件，NP-hard 的最坏情形结论不表示每个数据集都难以核验。
原文摘要
Statistical and machine learning theory has developed several conditions ensuring that popular estimators such as the Lasso or the Dantzig selector perform well in high-dimensional sparse regression, including the restricted eigenvalue, compatibility, and $\ell_q$ sensitivity properties. However, some of the central aspects of these conditions are not well understood. For instance, it is unknown if these conditions can be checked efficiently on any given data set. This is problematic, because they are at the core of the theory of sparse regression. Here we provide a rigorous proof that these conditions are NP-hard to check. This shows that the conditions are computationally infeasible to verify, and raises some questions about their practical applications. However, by taking an average-case perspective instead of the worst-case view of NP-hardness, we show that a particular condition, $\ell_q$ sensitivity, has certain desirable properties. This condition is weaker and more general than the others. We show that it holds with high probability in models where the parent population is well behaved, and that it is robust to certain data processing steps. These results are desirable, as they provide guidance about when the condition, and more generally the theory of sparse regression, may be relevant in the analysis of high-dimensional correlated observational data.