融合 Lasso 的性质和改进
本文分析了含分段常数均值和 / 或方差信号的 l1 惩罚最大似然估计的渐近性质,并建立了融合拉索信号逼近器的(近似的)稀疏一致性性质,重点研究了非平稳时间序列相对于这些模型参数的分段。
Jan, 2014
提出了一种基于融合拉索加性模型(FLAM)的方法来解决使用 $p$ 维协变量预测结果变量的问题,其中每个附加函数都估计为针对自适应选择节点数的分段常数。FLAM 是一个凸优化问题的解,在此提供了一种具有全局最优解保证收敛的简单算法。此外,FLAM 在高维度上是一致的,提出了一个无偏自由度估计器。我们通过模拟研究和现有数据集模拟评估了 FLAM 的性能。
Sep, 2014
本文提出了一种自适应的 L1 - 罚函数定量分析方法,通过基于概率的非渐进性结果和新的 Bernstein 型不等式,以估计数量过程中的未知函数参数的线性组合形式对固定字典进行了选择,检验了不同字典假设下的巨额矩阵,并通过机械活动推断问题的仿真研究与自适应 Lasso 方法进行了比较。
Aug, 2012
研究了非线性观测信号估计问题,当信号属于高维空间中的低维集合时,可以使用广义 Lasso 方法,针对非线性观测信号进行噪声线性观察建模,通过信号重建结构降低误差,允许信号具有不连续、多义和未知的非线性特征,并允许测量矩阵的行具有未知的协方差矩阵。
Feb, 2015
本文研究了使用组套 Lasso 进行带有正则化的最小二乘回归问题的渐近一致性和多核学习的无限维情况下的一致性性质,并提出了自适应方案以获得一致的模型估计。
Jul, 2007
本文考虑从具有噪音的线性观测中学习系数向量 x0,通过解决 L1 惩罚的最小二乘问题,即 LASSO 或 BPDN 问题构造一种稀疏估计器 x',对于随机矩阵序列 A,我们证明了 LASSO 的规范风险趋于极限,并获得了该极限的一个显式表达式,并进行了实际数据矩阵的模拟,表明我们的结果在广泛的实际应用中都是相关的。
Aug, 2010
研究了在存在 Lipschitz 连续生成模型的情况下,从嘈杂的非线性测量中估计未知的 n 维信号问题。研究表明,非一致恢复保证在 i.i.d. 下成立,并且这种方案可以抵抗对抗性噪声,同时经过推广,可以适用于神经网络生成模型和其他测量模型。
Jun, 2020
研究证明,对于一个标准的随机设计模型,在高维回归 Lasso 估计器和高斯去噪器之间的统计关系和正则化参数的性能方面存在稳健的理论和计算结果。
Nov, 2018
该文介绍了如何使用 lasso 算法来进行高维稀疏图的协方差无关估计,实现了变量选择,并控制了图中误连接不同的连通分量的概率,最终实现了稀疏图的一致性估计。
Aug, 2006