Sparse Convexification for High-Dimensional Constrained Regression
高维约束回归的稀疏凸化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：摘要提供通用高维回归理论，未给出足以归入所列经济计量细分方向的应用或模型证据。
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
高维约束回归的稀疏凸化
- 研究问题
- 在一般对称凸约束下，能否不预设特定稀疏惩罚，而让高维回归估计自动适应目标的最佳稀疏凸近似？
- 方法与思路
- 作者对凸约束集中的稀疏向量取凸包，构造分层约束集合，并提出搜索这些层次的惩罚最小二乘估计方法。
- 材料陈述的贡献
- 摘要称，在次高斯设计与噪声条件下得到适应性预言机不等式，误差受高斯宽度控制，并给出约束Lasso的一致性特例。
- 阅读关注点
- 应核对对称性与随机设计的具体要求、惩罚选择、近似误差项，以及借助Minkowski泛函实现估计的计算条件。
- 阅读边界
- 这是arXiv第3版预印本，不能据此声称已同行评审或接收；摘要未给出完整误差界、常数及实际计算复杂度。
原文摘要
We study high-dimensional linear regression under a general symmetric convex constraint. Rather than imposing a specific sparsity-inducing penalty, we start from an arbitrary sign-symmetric and permutation-invariant convex body $K\subseteq \mathbb R^p$ and construct the sparse convexification hierarchy \[ K^{(s)} = \operatorname{conv}\{v\in K:\|v\|_0\le s\}. \] We propose a penalized least-squares estimator that searches over this hierarchy and adapts to the best sparse convex approximation of the target. Under standard sub-Gaussian assumptions on the random design and noise, we prove an oracle inequality showing that the estimator adapts to the best sparse convex approximation of the target. For an $s$-sparse target, the result yields a squared-error rate governed by the noise level $σ$, and the Gaussian width of the sparse convexification $K^{(s)}$. The method applies broadly to symmetric norm balls and can be implemented using oracle access to the Minkowski functional of $K$. As a special case, the framework yields a consistency result for the constrained Lasso.