Semiparametric logistic regression with unknown sizes, and its application to bioassays
具有未知大小的逻辑斯谛回归在生物和医学科学中有许多重要的应用。文献中关于这个问题的模型都是参数模型。提出了一个半参数回归模型。该模型包含由于尺寸变化引起的过度分散，并允许一般的剂量-反应关系。期望条件最大化算法提供了最大化的对数似然。Bootstrap方法可用于构造回归系数的置信区间。仿真研究所提出的模型的行为。两个实际的例子进行了研究所提出的模型。
2006-09-20 math.ST stat.TH
More on the restricted almost unbiased Liu-estimator in Logistic regression
为了解决逻辑斯谛回归模型中的多重共线性问题，当先验信息以随机线性约束的形式存在时，本文提出了一种新的估计量--随机约束几乎无偏逻辑斯刘估计量（SRAULLE）.蒙特卡罗模拟研究进行了比较的性能，建议的估计与一些现有的估计在标量均方误差（SMSE）的意义。最后，通过一个实际数据的例子来评价估计器的性能。
2017-11-28 math.ST stat.TH
Exact expressions for the weights used in least-squares regression estimation for the log-logistic and Weibull distribution
对数逻辑分布和韦布尔分布的估计可使用概率绘图所用的方程进行。该方程导致高度异方差回归。推导出残差方差的精确表达式，可用于进行加权回归。在大样本情况下，最大似然估计的性能最好，但在小样本情况下，加权回归在偏差和均方误差方面优于极大似然估计。
2014-06-25 math.ST stat.TH
Geometric ergodicity of Polya-Gamma Gibbs sampler for Bayesian logistic regression with a flat prior
逻辑斯谛回归模型是分析二进制数据最常用的模型。在贝叶斯逻辑斯谛回归模型中，在没有先验信息的情况下，回归系数往往采用不适当的平坦先验。由此产生的顽固性后壁密度可以通过运行Polson et al.的（2013）数据增强（DA）算法。在本文中，我们建立了马尔可夫链的基础上Polson等人。的（2013）DA算法是几何遍历的。证明这一理论结果具有重要的实际意义，因为它保证了有限二阶矩条件下样本平均值的中心极限定理的存在性。CLT又允许DA算法的用户计算后验估计的标准误差。
2018-07-02 math.ST stat.TH
Preliminary testing derivatives of a linear unified estimator in the logistic regression model
近年来，著名的Liu估计（Liu，1993）在病态线性模型的回归参数估计中引起了研究者的注意。对参数施加子空间假设约束，可以通过缩小非样本信息来改善估计。Chang（2015）在二元逻辑斯谛回归中提出了几乎无偏Liu估计（AULE）。本文在Chang（2015）工作的基础上，提出了二元逻辑斯谛回归模型中回归参数的几种改进的无偏Liu型估计，即限制AULE、初步检验AULE、Stein型收缩AULE及其正部估计。新定义的估计的性能进行了分析，通过一些数值结果。一个真实的数据例子也提供了支持的研究结果。
2017-08-29 math.ST stat.TH
Infill asymptotics for logistic regression estimators for spatio-temporal point processes
本文讨论强度函数为对数线性型的时空点过程的逻辑斯谛回归估计的填充渐近性。我们建立了Poisson点过程模型参数的强相合性和渐近正态性，并证明了这些结果如何推广到一般的点过程模型.此外，在适当的条件下，我们还将我们的中心极限定理推广到其他基于Campbell-Mecke定理的无偏估计方程。
2022-08-25 math.ST stat.TH
On high-dimensional classification by sparse generalized Bayesian logistic regression
本文针对高维分类问题，提出稀疏广义贝叶斯逻辑回归方法，利用分数似然后验，推导了分数后验的集中结果及误分类超额风险界，并扩展到模型误设情形。
2024-03-19 math.ST stat.TH
Gaussian Mixture Regression model with logistic weights, a penalized maximum likelihood approach
我们希望使用高斯混合回归模型估计条件密度，其中logistic权重和均值取决于协变量。我们的目标是选择这个模型的组件的数量以及其他参数的惩罚最大似然法。我们提供了一个下界的惩罚，成比例的对数项的每个模型的尺寸，确保我们的估计的预言不等式。我们的理论分析得到了一些数值实验的支持。
2013-04-09 math.ST stat.TH
On the global identifiability of logistic regression models with misclassified outcomes
在过去的十年中，来自卫生系统的大数据（如电子健康记录）的二次利用在推进生物医学发现和改善临床决策方面显示出巨大的前景。然而，有一个越来越多的关注的偏见，在关联研究所造成的错误分类的二元结果来自电子健康记录。我们重新审视经典的逻辑斯谛回归模型与错误分类的结果。尽管在一些相关的设置中的局部识别条件已经建立，这种模式的全局识别仍然在很大程度上是未知的，是一个重要的问题还有待回答。我们得到了全局可识别的逻辑斯谛回归模型与错误分类的结果的必要和充分条件，使用一种新的方法称为子模型分析，和一种技术改编自皮卡德-Lindelöf存在定理在常微分方程。特别地，我们的结果适用于具有离散协变量的Logistic模型，这是生物医学研究中常见的情况，条件易于在实践中验证。除了模型的可识别性，我们提出了一个假设检验程序的回归系数在错误分类的逻辑斯谛回归模型时，模型是不可识别的空。
2021-03-23 math.ST stat.TH
An efficient stochastic Newton algorithm for parameter estimation in logistic regressions
逻辑斯谛回归是一种众所周知的统计模型，通常用于输出为二进制随机变量的情况。它具有广泛的应用，包括机器学习，公共卫生，社会科学，生态学和计量经济学。为了估计具有连续高速数据流的逻辑斯谛回归的未知参数，本文研究了一种递归随机算法。更准确地说，我们研究了一个新的随机牛顿算法的渐近行为。当数据按顺序到达时，它可以轻松地更新估计值，并在各个方向上进行研究。我们建立了随机牛顿算法的几乎必然收敛性及其渐近正态性。所有的理论结果都通过数值实验得到了验证。
2019-04-16 math.ST stat.TH
An Asymptotic Result of Conditional Logistic Regression Estimator
在集群特定的研究，普通逻辑斯谛回归和条件逻辑斯谛回归的二元结果提供最大似然估计（MLE）和条件最大似然估计（CMLE），分别。在本文中，我们表明，CMLE渐近接近MLE时，每个单独的数据点被复制无限次。我们的理论推导是基于这样的观察，即出现在条件平均对数似然函数中的项是多项式的系数，因此可以通过柯西微分公式转化为复积分。复积分的渐近分析，然后可以使用经典的最速下降法最速下降法。我们的结果意味着，CMLE可以是有偏见的，如果个人的权重乘以一个常数，我们应该谨慎分配权重集群特定的研究。
2020-05-13 math.ST stat.TH
Logistic regression with total variation regularization
我们研究了逻辑斯谛回归与全变差惩罚的典型参数，并表明，由此产生的估计满足尖锐的预言不等式：估计的超额风险是自适应的跳跃的数量的基础信号或近似。特别地，当存在多个跳跃，并且向上跳跃与向下跳跃充分分离时，假设调谐参数被适当地选择为$1/ \sqrt n$阶，则估计器以高达对数项$\log n / n$的参数速率收敛。我们的研究结果扩展了二次损失的逻辑损失的早期结果。我们不假设任何先验已知的标准参数的界限，而是只利用局部曲率的理论风险。
2020-03-05 math.ST stat.TH
Self-concordant analysis for logistic regression
INRIA（法国国家信息与自动化研究所）；Laboratoire d’Informatique de l’Ecole Normale Supérieure（巴黎高等师范学院计算机实验室）；CNRS（法国国家科学研究中心）；ENS（巴黎高等师范学院）
回归中的大多数非渐近理论工作都是针对平方损失进行的，其中估计量可以通过封闭形式的表达式获得。在本文中，我们使用和扩展工具，从凸优化文献，即自协调函数，提供简单的扩展的理论结果的平方损失的逻辑损失。我们将扩展技术应用于逻辑回归与正则化的$\ell_2$ -范数和正则化的$\ell_1$ -范数，表明新的结果，通过逻辑回归的二进制分类可以很容易地从相应的结果最小二乘回归。
2009-10-24 cs.LG math.ST stat.TH
Logarithmic Regret for parameter-free Online Logistic Regression
LPSM, Sorbonne Université（巴黎索邦大学概率与随机模型实验室）
我们认为在线优化程序的逻辑回归的背景下，专注于扩展卡尔曼滤波器（EKF）。我们引入了一个接近EKF的二阶算法，称为半在线步骤（SOS），我们在对抗设置中证明了O（log（n））的遗憾，为EKF的类似结果铺平了道路。SOS的遗憾界是第一个在对抗逻辑回归中的无参数算法。我们证明了EKF在恒定的动态O（log（n））的期望和良好指定的逻辑回归模型的遗憾。
2019-02-26 cs.LG math.ST stat.TH
Asymptotic behaviour of penalized robust estimators in logistic regression when dimension increases
本文研究了维数随样本量趋向无穷大时逻辑回归中带惩罚 $M-$估计量的渐近行为，证明了其相合性、收敛速度、变量选择相合性及渐近分布。
2023-08-04 math.ST stat.TH
On connectivity of fibers with positive marginals in multiple logistic regression
在本文中，我们考虑精确测试的多元逻辑斯谛回归，协变量的水平是等间距，通过马尔可夫贝斯。在多元逻辑斯谛回归的通常应用中，对于协变量的每个水平组合，样本量是正的。在这种情况下，我们不需要一个完整的马尔可夫基，这保证了所有光纤的连通性。我们首先给出了多重泊松回归的显式马尔可夫基。通过Lawrence提升的基础上，在二元逻辑斯谛回归的情况下，我们显示了一个简单的马尔可夫基的子集，连接所有的纤维与一个积极的样本量的协变量水平的每个组合。
2008-10-10 math.CO math.ST stat.TH
Dimension-free uniform concentration bound for logistic regression
本文为受限逻辑回归经验风险函数提出一种无维数一致集中界，基于PAC-Bayes二阶展开与残差项界推导，比Rademacher复杂度与McDiarmid不等式条件更温和。
2024-10-14 math.ST stat.ML stat.TH
High-dimensional classification by sparse logistic regression
我们考虑高维二进制分类稀疏逻辑斯谛回归。我们提出了一个模型/特征选择过程的基础上惩罚的最大似然模型大小的复杂性罚款，并推导出非渐近界所产生的误分类超额风险。在附加的低噪声条件下，可以减小边界。所提出的复杂性惩罚是显着相关的VC维的一组稀疏线性分类器。然而，任何基于复杂性惩罚的标准的实现都需要对所有可能的模型进行组合搜索。为了找到一个模型选择程序计算上可行的高维数据，我们延长了逻辑斯谛回归的斜率估计，并表明，在一个额外的加权限制特征值条件下，它是率最优的极大极小意义上。
2018-11-18 math.ST stat.ML stat.TH
Stochastic Tverberg theorems and their applications in multi-class logistic regression, data separability, and centerpoints of data
我们提出了新的随机几何定理，给界的概率，$m$随机数据类都包含一个点，在其凸包。我们应用这些随机分离定理得到了多项式逻辑斯谛回归中极大似然估计存在概率的界。我们还讨论了连接到条件数的分析最速下降算法在逻辑斯谛回归和数据云的中心点的计算。
2019-07-23 math.OC math.PR math.ST
Optimal link prediction with matrix logistic regression
我们考虑的链接预测问题，基于一个大的网络的部分观察，并与其顶点的边信息。生成模型被公式化为矩阵逻辑斯谛回归。该模型的性能进行了分析，在一个高维制度下的结构假设。Frobenius范数风险的极大极小率的建立和惩罚的最大似然方法的基础上的组合估计被证明来实现it.Frobenius范数风险的极大极小率，并且证明了在计算复杂性的假设下，任何（随机）算法都不能在多项式时间内计算出该极大极小率。
2018-03-19 math.ST stat.ML stat.TH
A Minimax Lower Bound for Low-Rank Matrix-Variate Logistic Regression
Rutgers University–New Brunswick（罗格斯大学新布朗斯维克分校）
本文研究了矩阵变量Logistic回归问题。通过得到极大极小风险的下界，给出了Logistic回归问题中估计低秩系数矩阵的基本误差阈值。边界明确地取决于协变量的维数和分布、系数矩阵的秩和能量以及样本的数量。由此产生的界限是成比例的内在自由度的问题，这表明低秩矩阵逻辑回归问题的样本复杂度可以低于向量化逻辑回归。在这项工作中使用的证明技术也为张量变量逻辑回归问题的极大极小下限的发展奠定了基础。
2022-01-29 cs.LG eess.SP math.ST
Tuning parameter calibration for $\ell_1$-regularized logistic regression
特征选择是理解和建模高维分类数据的标准方法，但相应的统计方法取决于难以校准的调优参数。特别是，现有的校准方案中的逻辑斯谛回归框架缺乏任何有限的样本保证。在本文中，我们介绍了一种新的校准方案$\ell_1$惩罚逻辑斯谛回归。它是基于简单的测试沿调谐参数路径，并配备了最佳的保证功能选择。它还适合简单有效的实现，并且在模拟和真实数据应用中与现有方法相媲美或优于现有方法。
2019-02-28 math.ST stat.ME stat.ML
Fast high-dimensional mean testing via logistic regression
Washington University in St. Louis（华盛顿大学圣路易斯分校）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Indian Statistical Institute（印度统计研究所）
本研究提出一种基于逻辑回归的高维均值检验方法，通过逻辑Lasso筛选变量并经无惩罚重拟合推断，在多总体场景下具有高效性、渐近正确性和良好检验性能，适用于基因表达等实际高维数据。
2026-08-21 math.ST stat.ME stat.TH
Robust estimation for functional logistic regression models
针对函数型逻辑回归中传统似然方法易受异常误分类点影响的问题，提出稳健估计方法，证明相合性与预测收敛速度，并通过模拟和真实数据验证其抗污染稳定性。
2023-08-15 math.ST stat.ME stat.TH
Construction of Simultaneous Confidence Bands for Multiple Logistic Regression Models over Restricted Regions
本文提出了在多元逻辑斯谛回归模型下，当预测变量被限制在特定区域$\mathscr{X}$时，构造渐近双曲带的方法。如果预测变量可以被限制在某个区域，Scheffé的方法产生不必要的宽，因此保守，带。Piegorsch和Casella（1988）开发了一种程序，用于在特定区域上为多重逻辑斯谛回归模型建立渐近置信带。这些区域被证明是区域$\mathscr{X}$的特殊情况，该区域首先由Seppanen和Uusipaikka（1992）在多元线性回归背景下研究。本文还提供了当限制区域不是指定形式时构造保守置信带的方法。特别是，矩形的限制区域，这是在实践中经常遇到的，被认为是。给出了两个例子来说明所提出的方法，一个例子表明，所提出的程序优于由Piegorsch和Casella（1988）给出的方法。
2016-04-05 math.ST stat.ME stat.TH
Storms prediction : Logistic regression vs random forest for unbalanced data
本研究的目的是比较两种监督分类方法对一个关键的气象问题。这些数据由卫星测量的云系组成，云系可分为对流系统和非对流系统。对流云系统对应于闪电，探测这种系统对雷暴监测和预警至关重要。由于问题是高度不平衡的，我们考虑特定的性能标准和不同的策略。这个案例研究可以用于数据挖掘的高级课程，以说明逻辑斯谛回归和随机森林在具有不平衡类的真实数据集上的使用。
2008-04-04 math.ST stat.AP stat.TH
Minimax Bounds for Distributed Logistic Regression
我们考虑一个分布式的逻辑回归问题，标记的数据对$(X_i,Y_i)\in \mathbb{R}^d\times\{-1,1\}$的$i=1,\ldots,n$分布在网络中的多台机器，必须传达到一个集中的估计使用最多$k$位每标记对。我们假设数据$X_i$独立于某个分布$P_X$，并且以$X_i$为条件的$Y_i$的分布遵循具有某个参数$θ\in\mathbb{R}^d$的logistic模型。通过使用Fisher信息参数，我们给出了在不同假设下的分布$P_X$的尾部估计$θ$的极小极大下界。我们认为这两个$\ell^2$和逻辑损失，并表明，我们的次高斯下界的逻辑损失是顺序最优的，不能得到改善。
2019-10-03 cs.IT math.IT math.ST
Confidence Bands for the Logistic and Probit Regression Models Over Intervals
本文给出了当预测变量被限制在给定区间内时，logistic和probit回归模型的双侧和单侧同时双曲带的构造方法。基于最大似然估计的渐近性质构造频带。过去的文章已经考虑过为logistic模型建立双侧渐近置信带，例如Piegorsch和Casella（1988）。然而，由Piegorsch和Casella给出的置信带是保守的，在一个单一的区间限制下，它是在这篇文章中示出的，他们的频带可以锐化使用这里提出的方法。此外，在文献中还没有出现构建logistic模型单侧置信带的方法，也没有在预测变量的有限范围内为概率单位模型构建置信带的工作。本文提供了计算这些区域中的临界点的方法。
2016-04-05 math.ST stat.ME stat.TH
Asymptotic Inference for Infinitely Imbalanced Logistic Regression
在本文中，我们扩展了Owen（2007）的工作，推导了逻辑斯谛回归中斜率参数的二阶展开式，当多数类的大小是无界的，少数类是有限的。更确切地说，我们证明了二阶项收敛到一个正态分布，并明确计算其方差，这令人惊讶地再次只取决于少数类点的平均值，而不是他们的安排下温和的规律性假设。在多数类是正态分布的情况下，我们说明了极限斜率的方差指数依赖于少数类的点相对于多数类的分布的平均值的z分数。我们证实了我们的Monte Carlo模拟结果。
2022-04-27 math.ST stat.ML stat.TH
On the existence of the maximum likelihood estimate and convergence rate under gradient descent for multi-class logistic regression
The University of Arizona（亚利桑那大学）
本文研究多类 logistic 回归极大似然估计的存在性，通过为样本中每类分配正概率免除可分性要求，并基于 Hessian 条件数构造性界定梯度下降的收敛速率。
2024-05-08 cs.LG math.ST stat.TH
Classification of EEG recordings in auditory brain activity via a logistic functional linear regression model
我们想分析脑电图记录，以调查在听觉处理的早期阶段的音素分类。这个问题可以通过功能数据的监督分类来建模。通过逻辑功能线性模型，使用小波表示的数据的歧视进行了探讨。不同的程序进行了调查，基于惩罚似然和主成分减少或偏最小二乘减少。
2014-07-04 math.ST q-bio.NC stat.AP
Expectation-maximization for logistic regression
我们提出了一个家庭的期望最大化（EM）算法的二进制和负二项逻辑斯谛回归，绘制一个尖锐的连接与变分贝叶斯算法Jaakkola和约旦（2000年）。事实上，我们的研究结果允许这个版本的变分贝叶斯方法被重新解释为一个真正的期望最大化算法。我们研究了几个有趣的功能的算法，这以前未被识别的连接与变分贝叶斯。我们还推广的方法稀疏促进先验，并在线方法，其收敛性很容易建立。后一种方法在具有显著共线性的情况下与随机梯度下降法相比毫不逊色。
2013-05-31 math.ST stat.CO stat.ML
Belief likelihood function for generalised logistic regression
School of Engineering, Computing and Mathematics（工程、计算与数学学院）；Oxford Brookes University（牛津布鲁克斯大学）
每当单个试验的不确定性被编码的信念措施（一个有限的随机集）的信念似然函数的重复试验的概念。这推广了传统的似然函数，并提供了一个自然的设置从统计数据的信念推断。因式分解的结果被证明的情况下，其中采用合取或析取组合，导致分析表达式的“尖锐”样本的情况下，伯努利试验的下限和上限的可能性，并制定一个广义的逻辑斯谛回归框架。
2018-08-20 cs.AI math.ST stat.ME
Finite-sample performance of the maximum likelihood estimator in logistic regression
Department of Statistics, University of California, Berkeley, USA（加州大学伯克利分校统计学系）；Department of Statistics, CREST/ENSAE Paris, Palaiseau, France（巴黎中央银行与应用经济学院统计学系）
本文研究了逻辑回归中最大似然估计的有限样本性能，分析了其存在性和准确性，并在不同数据条件下提供了非渐近保证。
2026-02-19 cs.LG math.ST stat.ML
A regression model with a hidden logistic process for feature extraction from time series
提出了一种从时间序列中提取特征的新方法。这种方法包括一个特定的回归模型，其中包含一个离散的隐藏逻辑过程。通过专用期望最大化（EM）算法执行的极大似然方法估计模型参数。在期望最大化算法的内循环中，隐逻辑过程的参数使用多类迭代重加权最小二乘（IRLS）算法来估计。一个分段回归算法及其迭代变量也被认为是比较。使用模拟和真实数据的实验研究表明，所提出的方法具有良好的性能。
2013-12-25 cs.LG math.ST stat.ME
Robust semiparametric inference for polytomous logistic regression with complex survey design
分析复杂调查方案（如分层或整群抽样）的多分类响应在一些社会经济学应用中非常重要。本文给出了多分类逻辑斯谛回归模型的一类最小拟加权密度幂离估计。这个家庭的半参数估计是一个强大的推广的最大拟加权似然估计，利用流行的密度功率发散措施的优势。相应地，还导出了设计效应的鲁棒估计。利用新的估计量对回归系数进行了一般线性假设的稳健检验。理论上研究了它们的渐近分布和鲁棒性，并通过数值算例和广泛的蒙特卡罗研究进行了经验验证。
2019-04-03 math.ST stat.AP stat.ME
Mixability made efficient: Fast online multiclass logistic regression
INRIA（法国国家信息与自动化研究所）；PSL Research University（巴黎文理研究大学）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；LJK（约瑟夫·傅立叶实验室）
可混性已被证明是一个强大的工具，以获得最佳的遗憾算法。然而，所得到的方法通常遭受高计算复杂性，这降低了它们的实用性。例如，在多类逻辑回归的情况下，聚合预测器（Foster et al.（2018））实现了$O(\log(Bn))$的遗憾，而在线牛顿步骤实现了$O(e^B\log(n))$，获得了$B$的双指数增益（比较函数的范数的界限）。然而，这种高统计性能是以过高的计算复杂性$O(n^{37})$为代价的。
2021-10-08 cs.LG math.ST stat.ML
Liu Estimator in the Multinomial Logistic Regression Model
本文考虑多项逻辑斯谛回归模型中的Liu估计。我们提出了一些不同的偏置参数的估计。均方误差（MSE）被认为是性能标准。为了比较估计器的性能，我们进行了蒙特卡罗模拟研究。根据模拟研究的结果，我们发现，增加自变量之间的相关性和回归变量的数量对均方误差有负面影响。然而，当样本量增加时，即使自变量之间的相关性很大，MSE也会降低。基于最小均方误差准则，本文推荐了一些有用的偏置参数d的估计量。
2021-11-05 math.ST stat.AP stat.ME
On the sample complexity of parameter estimation in logistic regression with normal design
Columbia University（哥伦比亚大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
本文研究逻辑回归在标准正态设计下参数估计的样本复杂度，发现其随逆温度变化存在两个变点，清晰划分低、中、高温三个区域。
2024-05-23 cs.IT cs.LG math.IT
Spike and slab variational Bayes for high dimensional logistic regression
Imperial College London（帝国理工学院）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
变分贝叶斯（VB）是马尔可夫链蒙特卡罗的一种流行的可扩展替代方案，用于贝叶斯推断。研究了稀疏高维逻辑斯谛回归中广泛使用的贝叶斯模型选择先验的均值场尖峰和板条VB近似。我们提供非渐近的理论保证VB后在$\ell_2$和预测损失的稀疏真理，最佳（极大极小）收敛速度。由于VB算法不依赖于未知的真相，以实现最优性，我们的结果揭示了有效的先验选择。我们证实了我们的VB算法的改进性能在数值研究中常见的稀疏VB方法。
2021-09-06 cs.LG math.ST stat.ME
Multiclass classification by sparse multinomial logistic regression
Tel Aviv University（特拉维夫大学）；The Open University of Israel（以色列开放大学）
在本文中，我们考虑高维多类分类稀疏多项式逻辑斯谛回归。我们首先提出了一个特征选择过程的基础上惩罚的最大似然模型的大小上的复杂性罚款，并推导出非渐近界的误分类过度风险的分类。我们还建立了相应的极小极大下界推导出他们的紧密性。特别是，我们表明，存在两个政权对应的小和大量的类。在附加的低噪声条件下，可以减小边界。然而，要找到具有复杂性惩罚的惩罚最大似然解，需要在所有可能的模型上进行组合搜索。为了设计一个计算上可行的高维数据的特征选择程序，我们提出了多项式逻辑组Lasso和斜率分类器，并表明它们也实现了极大极小化顺序。
2020-11-19 cs.LG math.ST stat.ME
