Learning Out of Leaders
从领头变量中学习：LOL 高维回归方法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：摘要属于通用高维稀疏回归方法，未明确指向宏观预测、收益预测或其他所列领域。
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…
从领头变量中学习：LOL 高维回归方法
- 研究问题
- 面对潜在高维回归变量，能否通过无需优化步骤的简单程序完成变量筛选与估计，并获得稀疏参数保证？
- 方法与思路
- 作者提出 LOL 算法，先以自适应阈值筛出领头变量以降低维度，再对这些变量的线性回归结果进行第二次阈值处理。
- 材料陈述的贡献
- 摘要称获得一致性与指数界，导出广泛稀疏参数类上的极小极大和自适应结果，并以计算实验展示表现。
- 阅读关注点
- 应核对两个阈值的设定、回归设计的条件、稀疏参数类的范围，以及变量数量几乎不受限制这一表述的边界。
- 阅读边界
- 仅据 Crossref 摘要；设计条件、误差度量及实验数值未展开，不能认定其普遍优于其他高维估计方法。
原文摘要
Summary The paper investigates the estimation problem in a regression-type model. To be able to deal with potential high dimensions, we provide a procedure called LOL—for learning out of leaders—with no optimization step. LOL is an autodriven algorithm with two thresholding steps. A first adaptive thresholding helps to select leaders among the initial regressors to obtain a first reduction of dimensionality. Then a second thresholding is performed on the linear regression on the leaders. The consistency of the procedure is investigated. Exponential bounds are obtained, leading to minimax and adaptive results for a wide class of sparse parameters, with (quasi) no restriction on the number p of possible regressors. An extensive computational experiment is conducted to emphasize the practical good performances of LOL.