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

本文提出了一种用于高维数据稀疏逻辑回归分类和特征选择的快速和有效的稀疏逻辑回归筛选规则（Slores），能够在解决稀疏逻辑回归问题的计算成本基础上实现数据集的一次扫描获得 0 组件，未来可与任何现有的稀疏逻辑回归引擎集成以提高效率。

Jul, 2013

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

介绍一种名为 SLOPE 的算法，其使用排好序的 L1 范数作为正则化项，在控制误发现率的同时保证具有很强的推断能力，适用于包括正交设计和通用设计在内的各种数据集，能够在大型数据集下高效地完成回归分析。

Jul, 2014

研究了一种基于动态筛选原则的算法，可在处理罚函数稀疏回归问题时更有效地筛选字典，提高运算效率。

Dec, 2014

提出了一种名为高维 OLS 投影（HOLP）的新型筛选技术，该技术在无需强相关性假设的情况下，具有保证筛选性能和一致的变量选择，并具有较低的计算复杂度。

Jun, 2015

预测函数估计是许多数据分析的基本组成部分。Super Learner 集成是一种特定的层叠实现，具有可取的理论性质，并已成功应用于许多领域。在拟合其他预测算法之前，可以通过在集成中使用包括 Lasso 在内的变量筛选算法来实现维度降低。然而，在 Lasso 在性能较差的情况下，对使用 Lasso 进行维度降低的 Super Learner 的性能尚未完全探讨。我们提供经验证据表明，应使用多样的候选筛选算法来防止任何一个筛选泄漏的性能变差，类似于为 Super Learner 选择预测算法库的指导。

Nov, 2023

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

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

通过 Exponential Screening 方法，本文讨论了高维线性回归的稀疏估计问题，提出一个同时考虑稀疏性和均方误差最小的线性组合近似函数估计方法，并证明其在高斯回归方面的优越性。

Mar, 2010