Square-root lasso: pivotal recovery of sparse signals via conic programming
平方根 lasso：通过锥规划实现枢轴式稀疏信号恢复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：摘要提供通用高维稀疏回归理论，未指定因果、宏观预测或金融应用等细分领域。
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
平方根 lasso：通过锥规划实现枢轴式稀疏信号恢复
- 研究问题
- 在解释变量数量可能远超样本量的稀疏线性回归中，能否无需已知或预估噪声标准差，仍获得接近预言基准的预测表现？
- 方法与思路
- 作者提出平方根 lasso，并将估计问题写为凸锥规划，允许采用内点法和一阶算法；理论分析涵盖满足矩条件的非高斯误差。
- 材料陈述的贡献
- 摘要称，该方法不依赖噪声标准差的预估，也不要求正态或次高斯噪声，其预测范数收敛率可匹配已知标准差的 lasso。
- 阅读关注点
- 应核对稀疏度、设计矩阵和误差矩条件，以及调节参数的枢轴性如何成立，并区分预测误差保证与变量选择保证。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。完整正则条件及有限样本表现未说明，不能推断无条件的优越性或刊本变化。
原文摘要
We propose a pivotal method for estimating high-dimensional sparse linear regression models, where the overall number of regressors p is large, possibly much larger than n, but only s regressors are significant. The method is a modification of the lasso, called the square-root lasso. The method is pivotal in that it neither relies on the knowledge of the standard deviation σ nor does it need to pre-estimate σ. Moreover, the method does not rely on normality or sub-Gaussianity of noise. It achieves near-oracle performance, attaining the convergence rate σ{(s/n) log p}1/2 in the prediction norm, and thus matching the performance of the lasso with known σ. These performance results are valid for both Gaussian and non-Gaussian errors, under some mild moment restrictions. We formulate the square-root lasso as a solution to a convex conic programming problem, which allows us to implement the estimator using efficient algorithmic methods, such as interior-point and first-order methods.