High-dimensional partial linear model with trend filtering
高维部分线性模型与趋势滤波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：摘要聚焦高维部分线性模型与趋势滤波的方法及其在营养流行病学数据中的应用，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量等方向，故不选择。
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…
高维部分线性模型与趋势滤波
- 研究问题
- 摘要称，研究旨在解决营养科学与生物研究中高维数据及协变量与健康结果间复杂非线性关联的分析难题，并以超加工食品摄入与代谢物的关系为例。
- 方法与思路
- 作者提出高维部分线性回归模型，同时纳入线性与非线性效应，借助趋势滤波处理局部平滑性变化，摘要称该模型达到极小极大最优速率。
- 材料陈述的贡献
- 摘要称模型兼具线性模型的可解释性与非参数方法的适应性，并应用于 AARP 的 IDATA 研究数据，展示其在识别与超加工食品摄入相关生物标志物方面的效用。
- 阅读关注点
- 阅读全文时应核对：部分线性结构的识别与估计假设、趋势滤波的调参方式、极小极大最优速率所依赖的条件，以及 IDATA 应用中的变量构造与结果解释。
- 阅读边界
- 仅凭摘要无法判断模型假设是否成立、理论结果的实际表现、应用结论的稳健性；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
Understanding the links between diet, metabolic changes, and health outcomes is a key focus in nutritional science and broader biological research. Analyzing relationships, such as those between ultra-processed food (UPF) intake and metabolites, offers insights into potential biomarkers for diet-related diseases and public health applications. However, these analyses are challenging due to high-dimensional data structures and complex, often nonlinear associations between covariates and health outcomes. Traditional linear models and conventional nonparametric methods often lack the flexibility to accurately capture such complexities in biological data. To address these challenges, we propose a high-dimensional partial linear regression model that captures both linear and nonlinear effects, combining the interpretability of linear models with the adaptability of nonparametric approaches. Our model leverages trend filtering to handle local smoothness variations effectively and achieves minimax optimal rates, making it suitable for complex biological datasets. We apply this model to data from the Interactive Diet and Activity Tracking in AARP (IDATA) Study, demonstrating its utility in identifying biomarkers associated with UPF intake and illustrating its potential for broader applications in dietary, metabolic, and health-related research.