Sparse recovery under matrix uncertainty
矩阵不确定性下的稀疏恢复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：摘要是一般高维含误差设计下的稀疏估计理论，未明确关联所列经济计量细分方向。
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…
矩阵不确定性下的稀疏恢复
- 研究问题
- 当高维回归的真实设计矩阵不可观测、只能看到含加性误差的版本时，如何估计稀疏参数并恢复非零分量集合？
- 方法与思路
- 作者提出矩阵不确定性选择器，在真实设计矩阵满足受限特征值条件时分析范数误差与预测风险，并研究支持集恢复。
- 材料陈述的贡献
- 摘要称 Lasso 与 Dantzig 选择器的支持恢复可能对小矩阵误差极不稳定，新估计量在相应条件下具有误差与恢复保证。
- 阅读关注点
- 应核对矩阵误差和回归噪声的条件、选择器的约束与调参、受限特征值要求，以及支持恢复所需的更强假设。
- 阅读边界
- 所给材料为稿件版本未注明的 OpenAlex 索引摘要；未给出误差界、噪声控制及支持恢复条件，不能宣称无条件优于既有方法。
原文摘要
We consider the model y = Xθ∗ + ξ, Z = X + Ξ, where the random vector y ∈ ℝn and the random n × p matrix Z are observed, the n × p matrix X is unknown, Ξ is an n × p random noise matrix, ξ ∈ ℝn is a noise independent of Ξ, and θ∗ is a vector of unknown parameters to be estimated. The matrix uncertainty is in the fact that X is observed with additive error. For dimensions p that can be much larger than the sample size n, we consider the estimation of sparse vectors θ∗. Under matrix uncertainty, the Lasso and Dantzig selector turn out to be extremely unstable in recovering the sparsity pattern (i.e., of the set of nonzero components of θ∗), even if the noise level is very small. We suggest new estimators called matrix uncertainty selectors (or, shortly, the MU-selectors) which are close to θ∗ in different norms and in the prediction risk if the restricted eigenvalue assumption on X is satisfied. We also show that under somewhat stronger assumptions, these estimators recover correctly the sparsity pattern.