关键词high-dimensional regression
搜索结果 - 9
- TransFusion：高维回归的协变量漂移鲁棒迁移学习
在高维回归环境中，我们提出了一种具有新型融合正则化器的两步法，有效利用来自源任务的样本，提高对具有有限样本的目标任务的学习性能，并提供了目标模型估计误差的非渐近界限，表明所提方法对协变量转变的鲁棒性。我们进一步确定了估计器最小化优选的条件。 - 学习高斯单指标模型的计算复杂性
单指标模型是高维回归问题，根据未知的一维投影通过非线性、潜在非确定性的变换，标签与输入相关，涵盖了广泛的统计推断任务，提供了在高维领域研究统计和计算权衡的丰富模版。我们证明了在统计查询（SQ）和低次多项式（LDP）框架内计算高效算法所需的样 - 高维正则化回归中的自举和子抽样分析
研究使用重新采样方法估计统计模型的不确定性，探讨其在高维监督回归任务中的性能，特别关注广义线性模型和过参数化区域下的预测一致性与可靠性。
- 高维回归协同过滤
本文采用高维回归问题的解析解取代计算开销大的 SLIM 方法，通过重新缩放处理 item-popularities 偏差，得到了稀疏解的性质，并且在三个公共数据集的实验中，相对于 SLIM 在准确度和训练时间上均有显著提高，同时在高度个性化 - 面向稀疏性的高维线性回归重要性学习
本文提出一个用于高维回归的新的变量重要性度量 ——SOIL，并理论上证明了其具有包含 / 排除属性，可以很好地分离真实模型中的变量和其他变量，与其他重要性度量相比具有优越性。
- 高维回归通用不可表示条件下的模型选择
本文研究高维回归模型中只有少量自变量起作用的情况，提出了一种双阶段方法 Gauss-Lasso，并证明在满足广义不可表现性（GIC）条件时，Gauss-Lasso 可以正确识别自变量的作用。
- 贝叶斯压缩回归
本文提出一种基于随机压缩预测变量的高维回归方法，并使用模型平均来减少方法对于随机投影矩阵的敏感度，可用于实际数据应用。
- 使用 backtracking 对高维数据中的交互进行建模
本论文研究了高维回归问题中存在交互变量的情况，引入了一种名为 Backtracking 的新方法，可解决使用稀疏性惩罚函数（如 Lasso）产生可解释模型过程中的计算效率问题，并在回归和分类问题的模拟和真实数据集上进行了实证分析。
- SCAD 惩罚最小二乘估计器的渐近谱权质量
本文研究了在稀疏、高维、线性回归模型中，随着样本大小的增加，协变量数目可能增加时，SCAD 惩罚的最小二乘估计量的渐近特性。我们特别关注该估计量用于同时进行变量选择和估计的情况。我们证明在适当条件下，SCAD 惩罚最小二乘估计量在变量选择方