High-dimensional generalized linear models and the lasso
高维广义线性模型与 LassoAI 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：摘要属于通用高维统计理论，逻辑回归例子不足以归入经济学离散选择或其他所列方向。
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
高维广义线性模型与 Lasso
- 研究问题
- 在采用 Lipschitz 损失的高维广义线性模型中，如何刻画带 Lasso 惩罚的经验风险最小化估计量的表现？
- 方法与思路
- 作者按经验范数对线性预测项的系数进行归一化，再构造 Lasso 惩罚，并分析相应经验风险最小化问题。
- 材料陈述的贡献
- 摘要称证明了非渐近 oracle 不等式，并讨论逻辑回归、密度估计、合页损失分类及最小二乘回归等例子。
- 阅读关注点
- 应核对 oracle 不等式的风险定义、比较对象、设计条件与惩罚参数选择，以及不同损失函数需要的适用条件。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；具体不等式、常数及适用条件未说明，不能据此判断变量选择或推断有效性。
原文摘要
We consider high-dimensional generalized linear models with Lipschitz loss functions, and prove a nonasymptotic oracle inequality for the empirical risk minimizer with Lasso penalty. The penalty is based on the coefficients in the linear predictor, after normalization with the empirical norm. The examples include logistic regression, density estimation and classification with hinge loss. Least squares regression is also discussed.