Efficient Cross-Validation for Sparse Linear Regression
稀疏线性回归的高效交叉验证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：摘要聚焦稀疏回归的交叉验证计算与混合整数优化，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，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…
关注这篇论文的作者
稀疏线性回归的高效交叉验证
- 研究问题
- 摘要称，研究如何在高维协变量矩阵与响应向量下，为岭正则化稀疏线性回归选择控制稀疏度与正则化强度的超参数，同时降低k折交叉验证带来的计算负担。
- 方法与思路
- 作者提出对k折交叉验证损失构造计算上可处理的松弛，从而在超参数选择过程中减少需要求解的混合整数优化问题数量，并在十一个UCI真实数据集上做计算比较。
- 材料陈述的贡献
- 摘要称，所提松弛在实践中可减少50%至80%的混合整数优化求解次数；计算结果显示，基于精确混合整数优化的交叉验证在十一个UCI数据集上可与glmnet、L0Learn等成熟软件包竞争。
- 阅读关注点
- 应核对松弛的具体形式与近似误差保证、超参数选择是否仍保持统计一致性、实验设置与调参协议，以及“可竞争”所依据的具体指标与比较口径。
- 阅读边界
- 仅凭摘要无法判断松弛的理论保证、最优性差距、可扩展性上限与统计性质；摘要未说明识别假设、定理与完整数值结果。该文为arXiv预印本，未经同行评审验证。
原文摘要
Given a high-dimensional covariate matrix and a response vector, ridge-regularized sparse linear regression selects a subset of features that explains the relationship between covariates and the response in an interpretable manner. To choose hyperparameters that control the sparsity level and amount of regularization, practitioners commonly use k-fold cross-validation. However, cross-validation substantially increases the computational cost of sparse regression as it requires solving many mixed-integer optimization problems (MIOs) for each hyperparameter combination. To address this computational burden, we derive computationally tractable relaxations of the k-fold cross-validation loss, facilitating hyperparameter selection while solving $50$--$80\%$ fewer MIOs in practice. Our computational results demonstrate, across eleven real-world UCI datasets, that exact MIO-based cross-validation can be competitive with mature software packages such as glmnet and L0Learn.