Exact Coordinate Descent for High-Dimensional Regularized Huber Regression
高维正则化Huber回归的精确坐标下降算法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：摘要属于通用稳健回归优化方法，未提供归入所列应用领域的直接证据。
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
高维正则化Huber回归的精确坐标下降算法
- 研究问题
- 在高维Huber回归中，如何针对高度相关协变量和重尾噪声，设计稳定且计算高效的弹性网惩罚优化算法？
- 方法与思路
- 作者提出无需梯度、Hessian或近似的精确坐标更新，并结合自适应变量筛选与最优性条件验证来选择更新坐标。
- 材料陈述的贡献
- 摘要称建立算法收敛与验证程序有效性的理论保证，模拟和真实数据应用显示其在相关设计及重尾噪声下具有计算效率。
- 阅读关注点
- 应核对精确更新的推导、筛选后的最优性验证、收敛条件与停止准则，并比较统一精度要求下的运行时间。
- 阅读边界
- 仅据arXiv v3预印本摘要，不能确认同行评审或接收，也不推断版本变化。摘要未说明理论条件、应用数据及性能提升幅度。
原文摘要
This study develops a coordinate descent algorithm for high-dimensional Huber regression with an elastic-net penalty. Unlike existing gradient descent algorithms and coordinate descent methods based on second-order optimization, the proposed algorithm performs each coordinate update exactly, without approximation or gradient and Hessian computations. Consequently, it remains stable and converges rapidly even in the presence of highly correlated covariates or heavy-tailed noise. Building on these exact updates, adaptive variable screening rules and optimality-condition validation procedures are introduced to determine which coordinates to update at each iteration, substantially accelerating convergence in high-dimensional settings. Theoretical guarantees are established for both the convergence of the proposed algorithm and the validity of validation procedures. Extensive simulation studies under heavy-tailed noise and highly correlated designs, together with a real-data application, demonstrate that the proposed method is both accurate and computationally efficient in these challenging settings.