論文の概要: Robust Dual-Regularized Variable Selection under Outlier Contamination
- arxiv url: http://arxiv.org/abs/2609.21342v1
- Date: Fri, 18 Sep 2026 05:56:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.871327
- Title: Robust Dual-Regularized Variable Selection under Outlier Contamination
- Title（参考訳）: 外層汚染下におけるロバストデュアル正規化可変選択
- Abstract要約: 本研究では,外層汚染を伴う単一指標モデルにおける変分選択のための勾配法(smOPG)の2段階的中央値外積を提案する。
大気汚染とゲノムデータへの応用は実用性を示し、理論は個々の局所回帰の選択一貫性を必要とせず、アクティブセットの回復を確立する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real data often contain unusual observations that can exert disproportionate effects on variable selection, especially in complex predictor settings. We propose a two-stage {\it sparse median outer product of gradients (smOPG)} method for variable selection in single index models with outlier contamination. We first estimate sparse local gradients via \(\ell_1\)-penalized local median regression and then recover the active predictor set from a rank-one sparse approximation of the resulting gradient matrix using regularized singular value decomposition. The combination of median regression and local weighting provides robustness to both response outliers and leverage points. Extensive simulations across varying dimensions and contamination mechanisms demonstrate the favorable variable selection performance of smOPG relative to existing methods. Applications to air pollution and genomic data demonstrate practical utility, while theory establishes active-set recovery without requiring selection consistency of individual local regressions.
- Abstract（参考訳）: 実データはしばしば、特に複雑な予測器の設定において、変数選択に不均等な影響を及ぼすような異常な観測を含んでいる。
本研究では,外層汚染を伴う単一指標モデルにおける変数選択のための勾配(smOPG)の2段階分離型中央値外積を提案する。
まず, 正規化特異値分解を用いた勾配行列の次数1のスパース近似から, 正規化局所回帰を用いてスパース局所勾配を推定し, アクティブ予測器を復元する。
中央値回帰と局所重み付けの組み合わせは、応答の外れ値とレバレッジポイントの両方に堅牢性をもたらす。
様々な次元および汚染機構の広範囲にわたるシミュレーションは,既存の手法と比較して,smOPGの好ましい変数選択性能を示す。
大気汚染とゲノムデータへの応用は実用性を示し、理論は個々の局所回帰の選択一貫性を必要とせず、アクティブセットの回復を確立する。
関連論文リスト
- Augmented Inverse Hybrid Weighting: Robust Inference under Deterministic and Random Distribution Shifts [17.842727239557995]
本稿では,制度的なシフトを考慮に入れた上で,2つの集団法間の非体系的な変化を可能にする新しいモデルを提案する。
このような残留シフトは、学習可能な方法で表現できない確率空間へのランダムな摂動としてモデル化される。
純粋なランダム摂動の下で、この原理は回帰増強と分散-最適データセットレベルプーリングを使用するAIDW(Augmented Inverse Distance Weighting)をもたらす。
AIDWと標準強調重み付けを補間するAIHW(Augmented Inverse Hybrid Weighting)を開発した。
論文 参考訳（メタデータ） (2026-08-01T15:02:13Z) - Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。
CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
論文 参考訳（メタデータ） (2025-09-29T19:50:19Z) - Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳（メタデータ） (2024-04-24T09:04:36Z) - Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。
最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。
第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
論文 参考訳（メタデータ） (2022-02-10T09:10:59Z) - On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。
本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。
理論的にも経験的にも二重降下現象を観察する。
論文 参考訳（メタデータ） (2021-10-13T17:47:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。