用于带融合 Lasso 惩罚的 Huber 回归的高效对偶 ADMM
统计方法学
2025-05-01 v2 最优化与控制
摘要
线性回归中的普通最小二乘估计对大方差误差的影响很敏感，这降低了其稳健性，尤其是在处理现实场景中频繁遇到的重尾误差或异常值时。为解决这一问题并适应系数的稀疏性及其序列差异，我们将自适应稳健 Huber 损失函数与融合 Lasso 惩罚相结合。这种结合产生了一个能够同时实现估计和变量选择的稳健估计量。此外，我们利用高效的交替方向乘子法从对偶视角求解该回归模型。通过对模拟数据集和真实数据集进行的数值实验，证明了所提方法的有效性和高效性。
引用
@article{arxiv.2501.05676,
title = {An Efficient Dual ADMM for Huber Regression with Fused Lasso Penalty},
author = {Mengjiao Shi and Yunhai Xiao},
journal= {arXiv preprint arXiv:2501.05676},
year = {2025}
}
备注
14 pages,24 figures