Proximal Projection for Doubly Sparse Regularized Models
双稀疏正则化模型的近端投影方法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：摘要讨论高维回归的正则化与图结构利用，属于统计计算方法，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分。
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…
双稀疏正则化模型的近端投影方法
- 研究问题
- 摘要称，研究问题是在高维回归中利用预测变量的高斯图模型结构进行正则化，以生成稀疏模型并识别与响应最强相关的预测变量。
- 方法与思路
- 作者提出将估计系数向量分解为对应各节点贡献之和的潜变量，对潜变量而非系数向量直接施加正则化；使用可在L1与L2惩罚间由用户设定权衡的惩罚函数，并在优化中提出一种新的近端投影，其实现计算所选组交集的投影算子。
- 材料陈述的贡献
- 摘要称，该实现相比预测变量复制方法更节省计算资源，尤其在高维数据下；并通过模拟在不同图结构与节点数下评估方法表现，同时给出真实数据结果，称其表现相对其他单稀疏或双稀疏图回归模型较为稳定。
- 阅读关注点
- 阅读全文时应核对：潜变量分解与图结构的具体对应关系、惩罚函数中L1/L2权衡的设定方式、近端投影与交集投影算子的推导及收敛条件、模拟设计中的图结构与节点数范围，以及真实数据的来源与评价指标。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论保证、收敛性证明、模拟与实证的具体数值结果及相对优势的统计显著性；该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Regularization is often used in high-dimensional regression settings to generate a sparse model, which can save tremendous computing resources and identify predictors that are most strongly associated with the response. When the predictors can be represented by a Gaussian graphical model, the structure of the predictor graph can be exploited during regularization. Our proposed model exploits this underlying predictor graph structure by decomposing the estimated coefficient vector into a sum of latent variables that correspond to the sum of each node contribution to the coefficient vector. Regularization is then performed on the latent variables rather than on the coefficient vector directly. We use a penalty function that permits a clear user-defined trade-off between the L1 and L2 penalties and propose a novel proximal projection during optimization. Further, our implementation computes the projection operator for the intersection of selected groups, which conserves more computing resources compared to predictor duplication methods, especially for high-dimensional data. Through simulation, we evaluate the performance of our approach under different graph structures and node counts, and present results on real-world data. Results suggest that our method exhibits stable performance relative to other singly or doubly sparse graphical regression models.