Nonparametric regression with adaptive truncation via a convex hierarchical penalty
通过凸层级惩罚实现自适应截断的非参数回归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。
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：摘要属于通用高维非参数回归理论，未指定所列经济计量细分问题。
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…
关注这篇论文的作者
通过凸层级惩罚实现自适应截断的非参数回归
- 研究问题
- 在协变量很多的稀疏加性回归中，如何同时获得简约的有限基表示，并适应各分量函数不同的复杂程度和光滑特征？
- 方法与思路
- 作者提出凸惩罚估计框架，将有限基表示与层级惩罚结合，以自适应截断控制函数复杂度，并开发可扩展的优化算法。
- 材料陈述的贡献
- 摘要称，估计量在层级函数类上达到极小极大收敛率，并建立广泛稀疏加性模型类的极小极大速率；算法扩展性类似lasso。
- 阅读关注点
- 应核对层级函数类和惩罚的定义、截断如何适应分量复杂度，以及极小极大结论所需的设计条件、稀疏度和调参规则。
- 阅读边界
- 仅据Crossref所载摘要。摘要未给出具体速率、正则条件或算法复杂度表达式，也不能据此确认不同来源版本之间的变化。
原文摘要
SUMMARY We consider the problem of nonparametric regression with a potentially large number of covariates. We propose a convex, penalized estimation framework that is particularly well suited to high-dimensional sparse additive models and combines the appealing features of finite basis representation and smoothing penalties. In the case of additive models, a finite basis representation provides a parsimonious representation for fitted functions but is not adaptive when component functions possess different levels of complexity. In contrast, a smoothing spline-type penalty on the component functions is adaptive but does not provide a parsimonious representation. Our proposal simultaneously achieves parsimony and adaptivity in a computationally efficient way. We demonstrate these properties through empirical studies and show that our estimator converges at the minimax rate for functions within a hierarchical class. We further establish minimax rates for a large class of sparse additive models. We also develop an efficient algorithm that scales similarly to the lasso with the number of covariates and sample size.