Sparse-group Convoluted Smoothed Quantile Regression in High Dimension
高维稀疏组卷积平滑分位数回归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：摘要以高维分位数回归为核心方法，属于分位数与分布效应方向；其余领域细分在摘要中缺乏直接文本依据。
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…
高维稀疏组卷积平滑分位数回归
- 研究问题
- 摘要称，针对协变量天然成组、而传统组选择方法常在选中组内保留全部变量、无法实现组内稀疏的问题，研究如何在高维分位数回归中同时实现组间与组内稀疏选择。
- 方法与思路
- 作者提出自适应两阶段稀疏组选择程序，将卷积平滑分位数损失与 ℓ2,0、ℓ0 惩罚结合，先筛选重要组再在组内挑选相关变量，并通过把优化限制在已选组与活跃变量上来降低计算量。
- 材料陈述的贡献
- 摘要称建立了两个阶段的确信筛选与精确支撑恢复的理论保证，以及基于信息准则的模型规模相合选择，并给出显式的失败概率上界；模拟研究与乳腺癌基因表达数据分析显示其在变量选择、估计精度与计算效率上具有竞争力。
- 阅读关注点
- 应核对两阶段的具体算法与调参方式、ℓ2,0 与 ℓ0 惩罚下的识别条件与正则化参数选取、失败概率上界所依赖的假设，以及模拟设定和基因表达数据中分位数预测的评价方式。
- 阅读边界
- 仅凭摘要无法判断定理假设是否现实、惩罚参数如何实际选取、模拟与实证的可复现性及相对其他方法的优势幅度；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
In many applications, covariates are naturally organized into groups, yet conventional group-selection methods often retain all variables within selected groups, failing to achieve within-group sparsity. To address this limitation, we propose an adaptive two-stage sparse-group selection procedure for high-dimensional quantile regression. The proposed method integrates convolution-smoothed quantile loss with $\ell_{2,0}$ and $\ell_0$ penalties to identify important groups and relevant variables within them, achieving sparsity at both levels. We establish theoretical guarantees for sure screening and exact support recovery at both stages, as well as consistent model-size selection using information criteria, with explicit bounds on failure probabilities. The proposed procedure is computationally efficient by restricting optimization to selected groups and active variables. Simulation studies and a breast cancer gene-expression analysis demonstrate its competitive performance in variable selection, estimation accuracy, and computational efficiency, while identifying biologically relevant genes and delivering accurate quantile predictions.