Robust Dual-Regularized Variable Selection under Outlier Contamination
异常值污染下的稳健双重正则化变量选择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：中位数回归在此用于一般变量选择，摘要未研究分位数效应或所列其他专门经济计量问题。
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…
异常值污染下的稳健双重正则化变量选择
- 研究问题
- 在含响应异常值和高杠杆点的单指标模型中，如何稳健恢复活跃变量，而不要求每次局部回归都选择正确？
- 方法与思路
- 作者先用带惩罚的局部中位数回归估计稀疏梯度，再通过正则化奇异值分解的秩一稀疏近似识别活跃变量。
- 材料陈述的贡献
- 摘要称建立无需局部回归逐一选择一致的活跃集恢复理论，并通过模拟、空气污染和基因数据展示方法表现。
- 阅读关注点
- 应核对污染机制、局部权重与双重调参、单指标及梯度条件，并检查活跃集恢复定理和比较方法的设定。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收；摘要未说明允许的污染比例与完整条件，不能推断普遍稳健性。
原文摘要
Real data often contain unusual observations that can exert disproportionate effects on variable selection, especially in complex predictor settings. We propose a two-stage {\it sparse median outer product of gradients (smOPG)} method for variable selection in single index models with outlier contamination. We first estimate sparse local gradients via \(\ell_1\)-penalized local median regression and then recover the active predictor set from a rank-one sparse approximation of the resulting gradient matrix using regularized singular value decomposition. The combination of median regression and local weighting provides robustness to both response outliers and leverage points. Extensive simulations across varying dimensions and contamination mechanisms demonstrate the favorable variable selection performance of smOPG relative to existing methods. Applications to air pollution and genomic data demonstrate practical utility, while theory establishes active-set recovery without requiring selection consistency of individual local regressions.