结构化稀疏模型的广义信息准则
统计方法学
2023-09-06 v1 计量经济学
机器学习
摘要
正则化 m-估计量因其在高维情形下恢复低维模型的能力而被广泛使用。近期关于该主题的一些工作聚焦于建立统一框架以给出 oracle 界，并推导支持恢复的条件。在同一框架下，我们提出一种考虑待恢复稀疏模式的新的广义信息准则（GIC）。我们得到了 GIC 的非渐近模型选择界以及模型选择一致性的充分条件。此外，我们表明 GIC 也可用于正则化 -估计框架内正则化参数的选择，这使得 GIC 在高维情形下的模型选择具有实际可用性。我们给出了广义线性回归与低秩矩阵回归背景下的 group LASSO 示例。
引用
@article{arxiv.2309.01764,
title = {Generalized Information Criteria for Structured Sparse Models},
author = {Eduardo F. Mendes and Gabriel J. P. Pinto},
journal= {arXiv preprint arXiv:2309.01764},
year = {2023}
}