.png){kind=icon}
返回
COMMUNICATION-EFFICIENT AND DISTRIBUTED-ORACLE ESTIMATION FOR HIGH-DIMENSIONAL QUANTILE REGRESSION
.png){kind=icon}
PRE
AI
DOI：10.1214/25-AOS2573.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种新型通信高效的分布式高维分位数回归估计量，适用于折叠凹惩罚。采用迭代多步算法（IMSA）来解决目标函数的非凸挑战，同时考虑统计精度和通信约束。我们证明所提出的IMSA估计量与全局折叠凹惩罚估计量具有相似的性质。为建立理论结果，引入了一个新的概念，称为分布式-oracle估计量。我们证明了所提出的估计量以高概率收敛于分布式-oracle估计量。与& ell;1-惩罚方法相比，IMSA估计量具有更快的收敛速率，且在实现支撑恢复时需要更温和的条件。此外，我们将框架扩展以促进高维模型中预想低维组件的分布式推断。我们推导了原假设和局部备择假设下相应检验统计量的极限分布。另外，设计了一种新的特征分裂算法，以适应分布式系统中的高维数据。大量的数值研究证明了我们提出的估计和推断方法的有效性和合理性。同时，通过一个实际例子进行说明。
Keyword:
Communication efficiency
distributed statistical inference
partial penalization
SCAD
期刊
IF:
3.7
论文数:
2.8K
被引数:
2.9W
机构
引用论文
Targeted Inference Involving High-Dimensional Data Using Nuisance Penalized Regression使用滋扰惩罚回归的涉及高维数据的有针对性的推理
OAAI
OAAI分享收藏分享收藏One-step sparse estimates in nonconcave penalized likelihood models非凹惩罚似然模型中的一步稀疏估计.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏Model Selection via Bayesian Information Criterion for Quantile Regression Models基于贝叶斯信息准则的分位数回归模型选择
PREAI
分享收藏
查看更多内容