Adaptive Iterative Hard Thresholding for Online High-dimensional Quantile Regression
在线高维分位数回归的自适应迭代硬阈值方法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：摘要明确以在线高维分位数回归为研究对象，分位数回归属于分位数与分布效应方向，其余细分领域无直接文本依据。
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…
关注这篇论文的作者
在线高维分位数回归的自适应迭代硬阈值方法
- 研究问题
- 摘要称，研究在线高维回归中如何顺序更新参数同时保持结构稀疏性，并针对损失非光滑、数据可能异质或重尾的在线高维分位数回归建立理论。
- 方法与思路
- 作者提出自适应迭代硬阈值（AIHT）：交替进行随机次梯度更新与按自适应调度执行的硬阈值投影，早期延迟阈值化以让弱信号坐标累积信息，后期提高投影频率以稳定稀疏估计并利用局部曲率。
- 材料陈述的贡献
- 摘要称在受限曲率与梯度泄漏条件下，AIHT 保持在膨胀稀疏锥内，呈现两阶段收敛行为，并对滑动窗口目标达到对数遗憾；模拟与阈值调度消融支持该机制并显示优于标准在线稀疏学习基线。
- 阅读关注点
- 应核对受限曲率与梯度泄漏条件的具体形式、膨胀稀疏锥与两阶段收敛的精确陈述、对数遗憾所对应的目标与步长/调度假设，以及模拟设置、基线选择与消融是否足以支撑所声称优势。
- 阅读边界
- 仅凭摘要无法判断定理证明是否正确、常数与速率是否实用、模拟是否覆盖真实重尾与异质场景；该文为 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
Online high-dimensional regression requires algorithms that can update sequentially while preserving structural sparsity. We propose \textit{Adaptive Iterative Hard Thresholding (AIHT)}, an online sparse-regression framework that alternates stochastic subgradient updates with adaptively scheduled hard-thresholding steps. The key idea is to separate support discovery from local refinement: early in the learning process, AIHT delays thresholding so that weak but informative coordinates have time to accumulate signal, while later it increases the projection frequency to stabilize the sparse estimator and exploit local curvature. We develop the theory for high-dimensional online quantile regression, a challenging setting in which the loss is nonsmooth and the data may exhibit heterogeneity or heavy-tailed noise. Under restricted curvature and gradient-leakage conditions, AIHT remains in an inflated sparse cone, exhibits a two-phase convergence behavior, and attains logarithmic regret for the sliding-window objective. Simulations for online quantile regression, together with threshold-scheduling ablations, support the proposed mechanism and illustrate its advantage over standard online sparse-learning baselines.