数学 > 统计理论
[提交于 2015年7月5日
(v1)
,最后修订 2017年6月4日 (此版本, v4)]
标题: 群稀疏性下的不确定性量化
标题: Uncertainty Quantification Under Group Sparsity
摘要: 量化在组稀疏性下惩罚回归的不确定性是一个重要的开放问题。 我们在高维尺度下建立了修改后的参数bootstrap方法在组套索下的渐近有效性,假设误差模型为高斯分布,并且设计矩阵和真实系数满足温和条件。 bootstrap样本的模拟提供了大量系数组的同时推断。 通过广泛的数值比较,我们证明了我们的bootstrap方法比流行的竞争对手表现更好,突显了其实际效用。 该理论结果推广到了其他块范数惩罚和次高斯误差,这进一步拓宽了潜在的应用范围。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.