该研究提出了一种新的 Lasso 问题筛选规则，其通过建立安全测试区域来快速排除不相关变量，有效提高了算法的效率和准确性。

May, 2015

本文提出一种基于 Dual Polytope Projections 的高效筛选规则，以找到稀疏表示中的无效预测器，以提高解决大规模 Lasso 问题的效率，并将此筛选规则扩展到组 Lasso 中以识别无效组。

Nov, 2012

本文提出基于对偶间隙计算和渐近安全区域的 GAP 安全规则，可以比以往的安全规则更安全地丢弃大量变量，在众多高维回归中展现了更快的速度。

Jun, 2015

本研究提出了一种适用于广义线性模型的一体化框架，用标准的稀疏性惩罚（如 l1 或 l1 /l2 范数）进行正则化。我们的技术允许安全地丢弃比以前认为的安全规则更多的变量，特别是对于低正则化参数。应用于许多标准学习任务，如 Lasso、Sparse-Group Lasso、多任务 Lasso、二进制和多项式逻辑回归等，我们报告了比以前提出的所有测试数据集上的安全规则所获得的显著加速的更好的 Gap Safe 规则。

Nov, 2016

本文提出了一种缩减程序，可以在广义线性模型中进行同时变量选择和估计，以明确的预测动机为基础，结果与完整模型相似的预测性能下选择出一个简明模型。

Sep, 2010

本文研究了在凸损失函数和 $l_1$ 正则化惩罚下解决监督学习问题中快速消除特征的方法，该方法不是启发式的，只消除在解决学习问题后确保不存在的特征。我们的方法适用于支持向量机分类，逻辑回归和最小二乘等一类问题。我们在文本分类数据集上应用方法，观察到降维了，特别是在寻找非常稀疏的分类器时，降低了求解学习问题所需的计算工作量。这使我们可以立即扩展现有算法的范围，从而使我们能够运行以前无法处理的数据量。

Sep, 2010

本文研究了 Lasso 等凸估计量的性能，介绍了两个量，噪声障碍和大规模偏差，并证明了兼容性条件是实现快速预测速率所必需的。同时，该研究还发现了适用于跨越许多类型的设计矩阵、活跃子集和任何调优参数的损失公式，包括凸惩罚项等等，并展示了调优参数与 Lasso 的相互关系。

Apr, 2018

本文探讨当解释变量存在极低相关性和相对较少的效应，以及这些效应都具有大幅度的影响力时，在一个线性稀疏的情况下，Lasso 算法无法正确找出重要变量的问题，并得出了在 Lasso 路径上假正率和假负率的渐近折衷关系。

Nov, 2015

本文主要研究了 Lasso 方法在稀疏线性回归中的应用，重点探讨了 Lasso 解唯一性和非唯一性可能的原因和处理方法，利用线性规划方法计算给定问题实例的解不确定性，总结了有区别的解的特点和相关研究成果。

Jun, 2012

本文主要研究了在高维数据下 Lasso 作为一种正则化和变量选择技术的一些性质，特别关注了 Lasso 在松弛 irrepresentable 条件之后的一些表现，包括一些适用于固定设计的条件以及一些收敛性的结果。最后，文章通过天体物理学中相邻频率的检测问题进行了结果论证。

Jun, 2008