Adaptive and Stratified Subsampling for High-Dimensional Robust Estimation
高维稳健估计的自适应与分层子抽样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：摘要主题为高维稳健估计的子抽样方法与理论，属于计量理论与高维统计方法，未直接对应所提供的因果推断、面板、时间序列、资产定价等应用领域细分，故留空。
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
高维稳健估计的自适应与分层子抽样
- 研究问题
- 研究问题：在有限方差重尾噪声、epsilon-污染与alpha-混合相依下，如何进行高维稀疏稳健回归估计，并缩小理论保证与算法实现之间的差距。
- 方法与思路
- 方法思路：作者提出自适应重要性抽样（AIS）与分层子抽样（SS）两种子抽样估计量；在次高斯设计与有限方差噪声下给出子样本量m的极小极大最优速率，并用去偏步骤构造坐标置信区间。
- 材料陈述的贡献
- 摘要所述贡献：摘要称在稳定权重条件下给出AIS终止时的定理，SS纳入中位数均值M估计框架；通过nodewise-Lasso精度估计与新的稀疏精度假设实现去偏并得到有效坐标置信区间，alpha-混合情形用日历时间分块协议保证时间分离。
- 阅读关注点
- 阅读时应核对：次高斯设计“精确界定范围”的具体条件、稳定权重命题的验证方式、稀疏精度假设的可检验性与强度、分块协议对混合系数的要求，以及数值比较的实验设置与可复现性。
- 阅读边界
- 摘要信息的边界：这是arXiv预印本（v2），未经同行评审或期刊接收验证；摘要未说明真实数据以外的模拟细节、假设不可满足时的表现、计算成本与调参敏感性，所报倍数与MSE降幅仅为摘要陈述。
原文摘要
We study robust high-dimensional sparse regression under finite-variance heavy-tailed noise, epsilon-contamination, and alpha-mixing dependence via two subsampling estimators: Adaptive Importance Sampling (AIS) and Stratified Sub-sampling (SS). Under sub-Gaussian design whose scopeis precisely delimited and finite-variance noise, a subsample of size m achieves the minimax-optimal rate. We close the theory-algorithm gap: Theorem 4.6 applies to AIS at termination conditional on stabilized weights (Proposition 4.1), and SS fits the median-of-means M-estimation framework of Lecue and Lerasle (Proposition 4.3). The de-biasing step is fully specified via the nodewise-Lasso precision estimator under a new sparse-precision assumption, yielding valid coordinate-wise CIs (Theorem 4.14). The alpha-mixing extension uses a calendar-time block protocol that guarantees temporal separation (Theorem 4.12). Empirically, AIS achieves 3.10 times lower error than uniform subsampling at 20% contamination, and 29.5% lower test MSE on Riboflavin (p=4,088 and n=71).