Generalized linear models with structured sparsity estimators
广义线性模型中的结构化稀疏估计量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：摘要是一般广义线性模型与结构化稀疏估计理论，未给出对应所列应用细分的证据。
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
广义线性模型中的结构化稀疏估计量
- 研究问题
- 如何将最小二乘损失下的结构化稀疏估计理论扩展到广义线性模型，并允许随机设计与非次高斯数据，建立去偏估计结果？
- 方法与思路
- 作者在广义线性模型损失中引入表达稀疏结构的范数惩罚，包括由凸锥生成的范数，并将分析扩展至随机设计和非次高斯数据。
- 材料陈述的贡献
- 摘要称，将此前依赖固定设计和正态误差的结果扩展到广义线性模型的去偏结构化稀疏估计；摘要未交代具体定理与应用表现。
- 阅读关注点
- 应核对允许的模型损失与结构范数、非次高斯数据仍需满足哪些条件，以及去偏步骤、收敛结论与推断有效性各自的适用范围。
- 阅读边界
- 所给 RePEc 出版社摘要未列出矩条件、维度增长要求或数值验证；非次高斯不表示任意重尾均适用，也不能推断其他版本变化。
原文摘要
In this paper, we introduce structured sparsity estimators for use in Generalized Linear Models. Structured sparsity estimators in the least squares loss are introduced by Stucky and van de Geer (2018). Their proofs exclusively depend on their use of fixed design and normal errors. We extend their results to debiased structured sparsity estimators with Generalized Linear Model based loss through incorporating random design and non-sub Gaussian data. Structured sparsity estimation means that penalized loss functions with a possible sparsity structure in a norm. These norms include norms generated from convex cones.