基于聚类去稀疏化 Lasso 集成的统计推断
应用统计
2018-06-18 v1
摘要
医学影像涉及高维数据，但其采集仅基于有限样本。近几十年来，从影像数据拟合某些外部变量的多元预测模型已变得流行，标准算法给出模型参数的点估计。然而，对这些参数估计赋予置信度具有挑战性，这使得解难以令人信赖。在本文中，我们提出一种新算法，通过利用特征间的结构，评估参数的统计显著性，并且即使当预测变量个数 p 10^5 远大于样本数 n 10^3 时也能扩展。我们的算法结合三个主要成分：一种针对线性模型的强有力推断过程——所谓的去稀疏化 Lasso（Desparsified Lasso）——特征聚类以及一个集成步骤。我们首先确立单独的去稀疏化 Lasso 无法处理 n << p 情形；随后我们证明聚类与集成的结合提供了一个准确的、其特异性受控的解。我们还在两个神经影像数据集上展示了稳定性的提升。
引用
@article{arxiv.1806.05829,
title = {Statistical Inference with Ensemble of Clustered Desparsified Lasso},
author = {Jérôme-Alexis Chevalier and Joseph Salmon and Bertrand Thirion},
journal= {arXiv preprint arXiv:1806.05829},
year = {2018}
}