Selective factor extraction in high dimensions
高维数据中的选择性因子提取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：摘要明确讨论低维解释因子的提取，并提供宏观经济应用，因此与宏观因子方向直接相关。
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
高维数据中的选择性因子提取
- 研究问题
- 如何在高维监督与无监督学习中同时选择少量输入变量并提取低维解释因子，使变量筛选和降维共同服务于建模？
- 方法与思路
- 作者提出选择性降秩回归，以预测信息准则同时控制系数矩阵的秩与非零行，并开发适用凸和非凸稀疏惩罚的算法。
- 材料陈述的贡献
- 摘要称，估计量满足尖锐 oracle 不等式，可适应未知稀疏度；宏观经济和计算机视觉应用展示联合选择与投影的用途。
- 阅读关注点
- 应核对 oracle 不等式的风险定义和条件、秩与行支撑的联合选择，以及算法求解保证和宏观应用中因子的解释。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；不等式条件、算法保证及宏观应用结果未说明，提取因子不能直接解释为结构冲击。
原文摘要
This paper studies simultaneous feature selection and extraction in supervised and unsupervised learning. We propose and investigate selective reduced rank regression for constructing optimal explanatory factors from a parsimonious subset of input features. The proposed estimators enjoy sharp oracle inequalities, and with a predictive information criterion for model selection, they adapt to unknown sparsity by controlling both rank and row support of the coefficient matrix. A class of algorithms is developed that can accommodate various convex and nonconvex sparsity-inducing penalties, and can be used for rank-constrained variable screening in high-dimensional multivariate data. The paper also showcases applications in macroeconomics and computer vision to demonstrate how low-dimensional data structures can be effectively captured by joint variable selection and projection.