Adaptive Sparse Estimation With Side Information
利用辅助信息的自适应稀疏估计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：摘要属于通用高维稀疏估计理论，应用为生物学数据，无法据此归入所列经济计量细分方向。
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…
利用辅助信息的自适应稀疏估计
- 研究问题
- 当辅助信息能够反映高维参数的稀疏结构时，如何将其纳入估计并降低风险，同时明确其有效性和最优性边界？
- 方法与思路
- 作者先用辅助序列编码稀疏结构，再通过结合辅助信息的自适应 Stein 无偏风险估计阈值法 ASUS 进行估计。
- 材料陈述的贡献
- 摘要称建立了 ASUS 显著优于竞争收缩估计的适用区间和渐近最优条件，并以模拟及两类生物学数据展示性能改善。
- 阅读关注点
- 应核对辅助信息与目标参数的关系、阈值选择机制、风险评价标准，以及最优性条件和信息失效时的稳健性范围。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未列出最优性条件、风险界或具体模拟结果，不能据此认定所有辅助信息均有帮助或推断刊本变化。
原文摘要
The article considers the problem of estimating a high-dimensional sparse parameter in the presence of side information that encodes the sparsity structure. We develop a general framework that involves first using an auxiliary sequence to capture the side information, and then incorporating the auxiliary sequence in inference to reduce the estimation risk. The proposed method, which carries out adaptive Stein’s unbiased risk estimate-thresholding using side information (ASUS), is shown to have robust performance and enjoy optimality properties. We develop new theories to characterize regimes in which ASUS far outperforms competitive shrinkage estimators, and establish precise conditions under which ASUS is asymptotically optimal. Simulation studies are conducted to show that ASUS substantially improves the performance of existing methods in many settings. The methodology is applied for analysis of data from single cell virology studies and microarray time course experiments. Supplementary materials for this article are available online.