Estimation of a sparse group of sparse vectors
稀疏向量组的双层稀疏估计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：摘要研究正态均值向量的双层稀疏估计，未提供因果、面板、时间序列或金融应用等细分方向的直接依据。
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
稀疏向量组的双层稀疏估计
- 研究问题
- 当一组正态均值向量中仅少数向量非零，且这些向量内部也存在稀疏性时，如何同时估计两层结构并适应不同稀疏程度？
- 方法与思路
- 作者采用惩罚似然，对非零均值向量数量及其显著分量数量施加复杂度惩罚，并在贝叶斯框架下解释为最大后验估计。
- 材料陈述的贡献
- 摘要称该估计可由快速算法实现，在广泛的稀疏与稠密情形下具有自适应极小极大性，模拟中能与稀疏组套索竞争。
- 阅读关注点
- 应核对复杂度惩罚与先验的具体关系、极小极大结论适用的参数空间和损失函数，以及算法与模拟比较的设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明理论条件、算法复杂度或具体模拟结果。
原文摘要
We consider estimating a sparse group of sparse normal mean vectors, based on penalized likelihood estimation with complexity penalties on the number of nonzero mean vectors and the numbers of their significant components, which can be performed by a fast algorithm. The resulting estimators are developed within a Bayesian framework and can be viewed as maximum a posteriori estimators. We establish their adaptive minimaxity over a wide range of sparse and dense settings. A simulation study demonstrates the efficiency of the proposed approach, which successfully competes with the sparse group lasso estimator.