用于高效稳健估计的稀疏分位数 Huber 回归
机器学习
2014-02-20 v1 数据结构与算法
最优化与控制
统计方法学
摘要
我们考虑了高维设置下稀疏分位数回归的新公式和方法。分位数回归在许多应用中发挥着重要作用，包括基因选择中的抗异常值探索性分析。此外，分位数回归中的稀疏性考虑使得能够探索给定预测变量的响应变量的整个条件分布，从而对重要预测变量提供更全面的视角。我们提出了一种用于变量选择的广义 OMP 算法，其失配损失采用传统的分位数损失或我们称为分位数 Huber 的平滑版本，并将所得的贪婪方法与凸稀疏正则化公式进行了比较。我们应用最近提出的内点法来高效求解所有凸公式以及广义 OMP 设置中的凸子问题，提供了一致估计的理论保证，并利用模拟数据集和基因组数据集的实证研究展示了我们方法的性能。
引用
@article{arxiv.1402.4624,
title = {Sparse Quantile Huber Regression for Efficient and Robust Estimation},
author = {Aleksandr Y. Aravkin and Anju Kambadur and Aurelie C. Lozano and Ronny Luss},
journal= {arXiv preprint arXiv:1402.4624},
year = {2014}
}
备注
9 pages