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

研究了具有 Lipschitz 损失函数的高维广义线性模型，并证明了带有 Lasso 惩罚项的经验风险最小化算子的非渐进性 oracle 不等式。惩罚项是基于线性预测中的系数，在经验规范化后计算。研究包括逻辑回归、密度估计、带有 Hinge 损失的分类和最小二乘回归。

Apr, 2008

本文提供了一种新的方法，可以使用 Hawkes 过程检测 DNA 序列中基因组事件之间的首选或避免距离，使用非渐近惩罚模型选择方法，该模型选择能够适应 Hawkes' 过程的 Hölderian 函数，并且引入了一种有效的名为 Islands 的策略，用于数据驱动的惩罚校准，实验证明结果与生物学知识一致并完善了结果。

Mar, 2009

本研究通过使用 lasso，对高维度 Cox 回归的有限样本特性进行了考虑，我们首先将负对数部分似然函数通过一下非 iid 的和式进行了估计，然后利用点态论证方法，针对这种缺乏 iid 和 Lipschitz 特性的情况，导出了 Lasso 惩罚 Cox 回归的非渐进式 Oracle 不等式。

Apr, 2012

这篇论文讨论了 Lasso 和去稀疏化 Lasso 的预测误差、渐进线性性及其应用：构建感兴趣参数的置信区间和精度矩阵的去稀疏化估计器，同时考虑经典的 chaining 和通用的 generic chaining 方法，并结合浓度不等式来证明偏差不等式。

Sep, 2014

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

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

本文研究了三个最小二乘程序及其渐近特性，提出了一种名为融合自适应 Lasso 的估计器，讨论了节省筛中 L1 范数和变化的最大总变差半范数，以及限制实现信号阻塞的数量和非零坐标的数量的另外两个估计量，推导了融合 lasso 和融合自适应 lasso 恢复真实块分区和稀疏模式的条件，并明确了筛选器的收敛速度与限良参数的关系。

May, 2008

我们展示了 Lasso 估计器和 Dantzig 选择器间的近似等价性，并为两种方法推导出一般非参数回归模型中预测风险的并行 Oracle 不等式，以及在线性模型中在 1≤p≤2 的 l_p 估计损失的界限，当变量数量可以远大于样本容量时。

Jan, 2008