Structured, Sparse Aggregation
结构化稀疏聚合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：摘要讨论通用最小二乘聚合、结构惩罚与风险界，应用为药物耐药性，未明确对应所列经济或金融细分。
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
结构化稀疏聚合
- 研究问题
- 如何聚合多个最小二乘估计量，使最终模型只使用少数协变量，同时遵循预先已知的分组或其他协变量结构？
- 方法与思路
- 作者提出结构化稀疏聚合框架，允许重叠分组和由协变量集合函数定义的结构惩罚，并分析聚合估计的有限样本风险。
- 材料陈述的贡献
- 摘要称，估计量满足结构化稀疏预言不等式，风险可适应目标结构；在适当设置下可达到或改善普通稀疏聚合的表现。
- 阅读关注点
- 应核对结构先验的编码、聚合权重与计算方式、预言不等式的比较对象，以及结构错误指定时方法的风险表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；性能比较依赖的设置和结构错设后果未说明，不能认定普遍改善。
原文摘要
This article introduces a method for aggregating many least-squares estimators so that the resulting estimate has two properties: sparsity and structure. That is, only a few candidate covariates are used in the resulting model, and the selected covariates follow some structure over the candidate covariates that is assumed to be known a priori. Although sparsity is well studied in many settings, including aggregation, structured sparse methods are still emerging. We demonstrate a general framework for structured sparse aggregation that allows for a wide variety of structures, including overlapping grouped structures and general structural penalties defined as set functions on the set of covariates. We show that such estimators satisfy structured sparse oracle inequalities—their finite sample risk adapts to the structured sparsity of the target. These inequalities reveal that under suitable settings, the structured sparse estimator performs at least as well as, and potentially much better than, a sparse aggregation estimator. We empirically establish the effectiveness of the method using simulation and an application to HIV drug resistance.