Sparse Additive Models
稀疏加性模型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：摘要研究通用高维非参数回归与分类，未明确涉及因果、面板、选择行为或收益预测等所列细分方向。
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…
稀疏加性模型
- 研究问题
- 在协变量数量可能超过样本量的高维数据中，如何结合稀疏性与非参数加性结构，开展可计算的回归和分类？
- 方法与思路
- 作者结合稀疏线性建模与加性非参数回归，提出类似函数版本分组 lasso 的方法，将平滑与稀疏控制分开处理。
- 材料陈述的贡献
- 摘要称给出高维情形可用的拟合算法，允许采用任意非参数平滑器，并提供理论分析及合成和真实数据上的效果展示。
- 阅读关注点
- 应核对加性与稀疏假设、平滑器和惩罚的选择方式，以及理论性质的具体内容和高维数值比较所采用的指标。
- 阅读边界
- 仅据所给 Crossref 摘要；理论条件、误差界及经验结果数值未说明，不能推断对一般非加性模型或所有平滑器的保证。
原文摘要
Summary We present a new class of methods for high dimensional non-parametric regression and classification called sparse additive models. Our methods combine ideas from sparse linear modelling and additive non-parametric regression. We derive an algorithm for fitting the models that is practical and effective even when the number of covariates is larger than the sample size. Sparse additive models are essentially a functional version of the grouped lasso of Yuan and Lin. They are also closely related to the COSSO model of Lin and Zhang but decouple smoothing and sparsity, enabling the use of arbitrary non-parametric smoothers. We give an analysis of the theoretical properties of sparse additive models and present empirical results on synthetic and real data, showing that they can be effective in fitting sparse non-parametric models in high dimensional data.