Penalized Composite Quasi-Likelihood for Ultrahigh-Dimensional Variable Selection
用于超高维变量选择的惩罚复合准似然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：摘要重点是通用超高维变量选择，复合分位数作为估计工具不足以确定分布效应领域归属。
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
用于超高维变量选择的惩罚复合准似然
- 研究问题
- 在维度远大于样本量的模型选择中，如何兼顾误差分布未知时的稳健性、变量选择一致性与非零系数估计效率？
- 方法与思路
- 作者将多个凸损失函数作数据驱动的加权组合，配合加权 L1 惩罚，并研究复合 L1–L2 与最优复合分位数方法。
- 材料陈述的贡献
- 摘要称方法无需预知误差分布，具有同时包含选择一致性和非零系数估计效率的强 oracle 性质，并提供数据示例。
- 阅读关注点
- 应核对损失权重与惩罚权重如何估计、强 oracle 性质所需条件，以及稳健性和效率采用何种比较标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列维度、信号和误差条件，不能据此认为方法适用于任意误差分布。
原文摘要
In high-dimensional model selection problems, penalized simple least-square approaches have been extensively used. This paper addresses the question of both robustness and efficiency of penalized model selection methods, and proposes a data-driven weighted linear combination of convex loss functions, together with weighted $L_1$-penalty. It is completely data-adaptive and does not require prior knowledge of the error distribution. The weighted $L_1$-penalty is used both to ensure the convexity of the penalty term and to ameliorate the bias caused by the $L_1$-penalty. In the setting with dimensionality much larger than the sample size, we establish a strong oracle property of the proposed method that possesses both the model selection consistency and estimation efficiency for the true non-zero coefficients. As specific examples, we introduce a robust method of composite L1-L2, and optimal composite quantile method and evaluate their performance in both simulated and real data examples.