Locally Simultaneous Inference
本文提出局部同时推断方法,通过只回答观测数据下可能被提出的问题,在保持严格第I类错误保证的同时降低保守性,并严格优于基础同时推断方法。
2024-05-02 math.ST stat.ME stat.TH
Valid Post-Selection Inference in High-Dimensional Approximately Sparse Quantile Regression Models
本文提出了一种新的(异质)分位数回归模型中回归系数的推断方法。我们考虑一个高维模型,其中回归变量的数量可能超过样本量,但其中的一个子集足以构建一个合理的近似条件分位数函数。所提出的方法是(显式或隐式)基于正交得分函数,防止适度的模型选择错误,这往往是不可避免的,在本文中考虑的近似稀疏模型。我们建立了所提出的分位数回归系数的置信区域的一致有效性。重要的是,这些方法直接适用于一个以上的变量和连续的分位数指数。此外,所提出的方法的性能说明通过蒙特卡洛实验和实证的例子,处理儿童营养不良的危险因素。
2016-06-23 econ.EM math.ST stat.TH
Statistical inference using debiased group graphical lasso for multiple sparse precision matrices
Indian Statistical Institute(印度统计研究所)
针对共享稀疏模式的多高斯图模型,该研究分析组图拉索的估计性质,构建渐近高斯的去偏估计量以实现跨总体精度矩阵的统计推断,并验证了中等高维下的一致性及实用价值。
2025-10-06 math.ST stat.AP stat.TH
Near-Optimal Estimation of Simultaneously Sparse and Low-Rank Matrices from Nested Linear Measurements
本文考虑了由嵌套线性测量同时估计低秩和行稀疏矩阵的问题,其中线性算子由线性算子$\mathcal{W}$和矩阵$\mathbf{\varPsi}$的乘积组成.利用测量算子的嵌套结构,我们提出了一个计算效率高的两阶段算法,用于估计同时结构化的目标矩阵。假设$\mathcal{W}$是低秩矩阵的限制等距和$\mathbf{\varPsi}$是行式稀疏矩阵的限制等距,我们建立了一个精度保证,保持一致的所有足够低秩和行式稀疏矩阵具有高概率。此外,使用标准的工具,从信息论,我们建立了一个极小极大下界估计同时低秩和行式稀疏矩阵的线性测量,不需要嵌套。建立的算法,也作为一个极大上界的准确性界限,从派生的极大极小下界不同,只是由一个多对数因子的尺寸。因此,该算法几乎是极小极大最优的。我们还讨论了所提出的观测模型的一些应用,并通过数值模拟评估我们的算法。
2016-03-21 cs.IT math.IT math.OC
Inference for Sparse and Dense Functional Data with Covariate Adjustments
我们考虑使用局部线性核(LLK)估计协变量调整的函数数据的均值和协方差函数的推断。通过双重渐近,我们区分稀疏和密集协变量调整的函数数据-取决于m(每个函数的离散化点)和n(函数的数量)的相对顺序。我们的模拟结果表明,现有的渐近正态性的结果可能会导致严重的误导性推断在有限样本。我们解释这种现象的基础上,我们的理论结果,并提出有限样本校正,提供了实际有用的近似推理稀疏和密集的数据场景。我们的理论结果的相关性展示使用真实数据的应用程序。
2018-02-27 stat.ME
Selective Inference for Group-Sparse Linear Models
我们开发的工具,选择性推理组稀疏的设置,包括建设的置信区间和p值测试选定的变量组。我们的主要技术结果给出了精确的分布的数据到一个给定的子空间的投影的幅度,并使我们能够开发推理程序的广泛的一类组稀疏的选择方法,包括组套索,迭代硬阈值,向前逐步回归。我们给出数值结果来说明这些工具的模拟数据和健康记录数据。
2016-07-27 stat.ME
Scalable Inference of Sparsely-changing Markov Random Fields with Strong Statistical Guarantees
University of Michigan(密歇根大学);University of Southern California(南加州大学)
在本文中,我们研究的问题,推断时变马尔可夫随机场(MRF),其中底层的图形模型是稀疏的,随着时间的推移变化稀疏。大多数用于推断时变MRF的现有方法依赖于正则化最大似然估计(MLE),其通常遭受弱统计保证和高计算时间。相反,我们引入了一类新的约束优化问题的推理稀疏变化的MRF。提出的优化问题是制定基于精确的$\ell_0$正则化,并可以解决在近线性的时间和内存。此外,我们表明,该估计享有可证明的小估计误差。作为一个特殊的情况下,我们推导出尖锐的统计保证稀疏变化的高斯MRF(GMRF)在高维制度的推断,表明这样的问题可以学习少到一个样本每一次。我们提出的方法在实践中非常有效:它可以在不到一个小时的时间内准确地估计具有超过5亿个变量的稀疏变化的图形模型。
2021-02-06 cs.LG stat.CO stat.ML
From Sparse to Dense Functional Data: Phase Transitions from a Simultaneous Inference Perspective
该研究针对从稀疏到稠密的函数型数据,提出基于B样条估计量的统一高斯近似方法构建均值同时置信带,探究相变条件并扩展至正交级数估计量,经模拟与真实数据验证有效。
2024-01-31 stat.ME
Inference of Sparse Networks with Unobserved Variables. Application to Gene Regulatory Networks
Princeton University(普林斯顿大学)
网络是复杂系统建模的统一框架,网络推理问题在许多领域中经常遇到。在这里,我开发并应用了一种生成式方法来进行网络推理(RCweb),用于网络稀疏且潜在(未观察到)变量影响观察到的变量的情况。从所有可能解释数据方差的因子分析(FA)分解中,RCweb选择与稀疏底层网络一致的FA分解。稀疏性约束是由一种新的方法,显着优于(在精度,鲁棒性噪声,复杂性缩放,和计算效率)贝叶斯方法和MLE方法使用L1范数松弛,如K-SVD和L1-基于稀疏主成分分析(PCA)。从模拟模型的结果表明,RCweb恢复精确的模型结构的稀疏性低(非稀疏)为50%,未观测到的观测变量的比例高达2。RCweb对噪声具有鲁棒性,随着噪声水平的增加,参数范围逐渐减小。
2014-06-01 cs.LG q-bio.MN q-bio.QM
Recovery of simultaneous low rank and two-way sparse coefficient matrices, a nonconvex approach
我们研究的问题的恢复矩阵,同时低秩和行和/或列稀疏。这种矩阵最近出现在认知神经科学、成像、计算机视觉、宏观经济学和遗传学中。我们提出了一个GDT(梯度下降与硬保持)算法,有效地恢复矩阵的结构,通过最小化一个双凸函数的非凸约束。我们证明了GDT得到的迭代线性收敛到最优解的统计误差范围内的一个区域。作为我们的方法的应用,我们考虑多任务学习问题,并表明GDT获得的统计错误率是接近最优的最小化率相比。实验表明,竞争力的性能和更快的运行速度相比,现有的方法,在模拟和真实数据集。
2019-04-10 stat.ML
Structural Inference in Sparse High-Dimensional Vector Autoregressions
我们考虑稀疏的,结构性的高维向量自回归(SVAR)系统中的脉冲响应的统计推断。我们介绍了相合估计量的脉冲响应在高维设置,并建议有效的推理程序相同的参数。在我们的设置中,统计推断涉及的更多,因为标准程序,如δ方法,不适用。通过使用局部投影方程,我们首先构建了一个去稀疏版本的正则化估计的移动平均参数与VAR系统。然后,我们通过将上述去稀疏化估计与同期影响矩阵的非正则化估计相结合来获得结构脉冲响应的估计,还考虑到系统的高维性。我们证明了结构脉冲响应的导出估计的分布具有高斯极限。我们还提出了一个有效的自助程序来估计这个分布。应用的推理过程中的建设置信区间的脉冲响应,以及在测试中的预测误差方差分解。我们的程序说明了通过模拟。
2021-06-02 stat.ME stat.ML
PSI-SINDy: Post-Selection Inference for Sparse Identification of Nonlinear Dynamics
本研究针对SINDy存在的选择偏差、测量误差及共享噪声问题,提出定制化后选择推断方法PSI-SINDy,通过数据细分分解轨迹,经理论验证和数值实验证实其有效性。
2026-10-09 cs.LG stat.ML
Locally sparse estimation for simultaneous functional quantile regression
Department of Statistics and Actuarial Science, Simon Fraser University(统计与精算科学系,西蒙菲莎大学)
本文提出一种局部稀疏的同时函数分位数回归模型,用于分析温度对大豆产量的影响,通过稀疏斜率函数提升模型可解释性,并在模拟和实际数据中验证其有效性。
2026-02-02 stat.ME
Simultaneous inference of correlated marginal tests using intersection-union or union-intersection test principle
同时推理的两种主要方法是交并测试和并交测试。对于交-并假设,比较了基于边际p值的经典IUT和全替代UIT。根据相关性、边际检验的数量和替代模式,考虑到其优点,即易于解释的同时置信区间的可用性,aiaUIT的固有功率损失似乎是可以接受的。
2021-11-15 stat.ME
Two-Stage Robust and Sparse Distributed Statistical Inference for Large-Scale Data
Aalto University(阿尔托大学)
在本文中,我们解决的问题进行统计推断的设置,涉及大规模的数据,可能是高维和污染的离群值。数据的高容量和维度需要分布式处理和存储解决方案。我们提出了一个两阶段的分布式和强大的统计推断程序处理高维模型,促进稀疏。在第一阶段,称为模型选择,通过对不同的数据子集应用鲁棒Lasso估计来局部选择相关的预测因子。从每个计算节点的变量选择,然后融合的投票计划,找到完整的数据集的稀疏基。它以稳健的方式确定相关变量。在第二阶段,采用已开发的统计稳健且计算高效的自助方法。实际推断构造置信区间,找到参数估计值并量化标准差。与阶段1类似,本地推理的结果被传送到融合中心并在那里组合。通过使用分析方法,我们建立了良好的统计特性的强大的和计算效率的自助方法,包括一致性的固定数量的预测,和鲁棒性。建议的两阶段的强大和分布式推理程序表现出可靠的性能和稳健性,在变量选择,发现置信区间和自举近似的标准差,即使数据是高维和离群值污染。
2022-08-17 cs.LG eess.SP stat.ML
Sparse Nonlinear Regression: Parameter Estimation and Asymptotic Inference
Princeton University(普林斯顿大学);Israel Institute of Technology(以色列理工学院);Rutgers University(罗格斯大学)
研究稀疏非线性回归的参数估计和渐近推断。更具体地说,我们假设数据由$y = f( x^\top β^* ) + ε$给出,其中$f$是非线性的。为了恢复$β^*$,我们提出了一个$\ell_1$正则化最小二乘估计。与经典的线性回归不同,由于$f$的非线性,相应的优化问题是非凸的。尽管非凸性,我们证明了在温和的条件下,目标的每一个稳定点享有最佳的统计收敛速度。此外,我们提供了一个有效的算法,可证明收敛到一个稳定点。我们还访问所获得的估计的不确定性。具体而言,基于任何平稳点的目标,我们构造有效的假设检验和置信区间的高维参数$β^*$的低维组件。详细的数值结果支持我们的理论。
2015-11-14 cs.IT cs.LG math.IT
Sampling and Inference for Beta Neutral-to-the-Left Models of Sparse Networks
University of Oxford(牛津大学)
经验证据表明,在许多真实网络中出现的重尾度分布可以很好地近似于幂律,其指数$η$可以取小于或大于2的值。基于各种形式的交换矩阵的模型能够捕获幂律与$η< 2$,并承认听话的推理算法,我们利用以前的结果表明,$η> 2$不能产生的形式,在现有的随机图模型中使用的交换矩阵。偏好依恋模型产生大于2的幂律指数,但由于在不可交换模型中执行推断的固有困难,因此作为统计模型的使用有限。出于这种差距,我们设计和实现推理算法,最近提出的一类模型,产生$η$的所有可能的值。我们发现,虽然它们是不可交换的,这些模型的概率结构服从推断。我们的方法使一大类以前棘手的模型有用的统计推断。
2018-07-09 cs.LG cs.SI stat.ME
High-Dimensional Statistical Inference for Sparse Support Vector Machines
Auburn University(奥本大学);Augusta University(奥古斯塔大学)
针对稀疏支持向量机,提出基于线性规划与对偶变量的去偏估计方法,实现高维下特征推断与FDR控制变量选择,并通过模拟和实际数据验证。
2026-10-07 cs.LG stat.ME stat.ML
Simultaneous Inference for Empirical Best Predictors with a Poverty Study in Small Areas
目前,广义线性混合模型在许多领域得到了广泛的应用。然而,在这一领域中,用于执行同时推理的工具的开发在很大程度上被忽视了。联合推理的框架是必不可少的进行统计有效的多个比较的参数之间的所有或几个集群的利益。因此,我们开发的同时置信区间和多重检验程序的经验最佳预测下广义线性混合模型。此外,我们实施我们的方法来研究广泛使用的混合模型,即单位级二项式,面积级泊松-伽玛和面积级泊松-对数正态混合模型的例子。渐近结果伴随着广泛的模拟。一个预测贫困率的案例研究说明了我们的同步推理工具的适用性和优势。
2021-05-28 stat.AP stat.CO
Inference on High-Dimensional Sparse Count Data
在各种应用领域中,对分析高维稀疏计数数据的兴趣越来越大,稀疏性表现为过多的零和小的非零计数。现有的方法用于分析多变量计数数据通过泊松或负二项对数线性分层模型与零膨胀不能灵活地适应数据的稀疏性的水平和性质。我们开发了一类新的连续局部全局收缩先验为稀疏计数量身定制。理论性能进行评估,包括后验浓度,更强的控制错误发现的多重检验,鲁棒性后验均值和超效率估计的抽样密度。模拟研究表明,相对于竞争对手,小样本性能优异。我们应用该方法检测外显子组测序数据中的罕见突变热点,并确定受恐怖主义影响最严重的城市。
2016-04-14 stat.ME
Valid Simultaneous Inference in High-Dimensional Settings (with the hdm package for R)
随着高维经验应用在许多研究领域的日益广泛,有效的同时推理变得越来越重要。例如,经济学研究中可能会出现高维设置,因为数据集非常丰富,有许多潜在的协变量,或者在治疗异质性分析中。此外,潜在的更复杂的(非线性)函数形式的回归关系的评估导致许多潜在的变量,同时推理语句可能是感兴趣的。在这里,我们提供了一个审查的经典和现代的方法,同时推理(高维)的设置,并说明其使用的案例研究使用R包HDM。R软件包hdm实现了有效的联合强大和有效的假设检验的潜在大量的coeffcients以及建设的同时置信区间,因此,提供了有用的方法来执行有效的后选择推理的基础上LASSO。
2018-09-13 econ.EM stat.ML
Asymptotically optimal inference in sparse sequence models with a simple data-dependent measure
对于高维推理问题,统计学家有许多相互竞争的兴趣。一方面,程序应该提供准确的估计,可靠的结构学习和有效的不确定性量化。另一方面,程序应该是计算效率高的,并且能够扩展到非常高的维度。在本说明中,我表明,一个非常简单的数据相关的措施,可以实现所有这些理想的属性同时,随着一些鲁棒性的误差分布,在稀疏序列模型。
2021-01-08 math.ST stat.TH
Adaptive Variational Bayesian Inference for Sparse Deep Neural Network
在这项工作中,我们专注于变分贝叶斯推理的稀疏深度神经网络(DNN)建模下的一类尖峰和板先验。给定一个预先指定的稀疏DNN结构,相应的变分后验收缩率的特征在于揭示了变分误差和近似误差之间的权衡,这两者都是由网络结构复杂度决定的(即,深度、宽度和稀疏度)。然而,最佳的网络结构,达到上述权衡的平衡,并产生最佳的速率,通常是未知的现实。因此,我们的工作进一步开发了一个{ \em自适应}变分推理过程,可以自动选择一个合理的好(数据依赖)的网络结构,实现最佳的收缩率,而不知道最佳的网络结构。特别地,当真函数是H{<$}lder光滑时,自适应变分推理能够在不知道光滑度的情况下获得(接近)最优速率.上述比率仍然受到维度灾难的影响,因此激发了师生设置,即,真实函数是稀疏DNN模型,在该模型下,速率仅在数学上取决于输入维度。
2020-08-03 math.ST stat.TH
Simultaneous Inference of Covariances
我们考虑样本协方差阵的最大偏差的渐近分布,这是协方差高维推断中的一个基本问题。在对数据矩阵的元素有轻度依赖的条件下,我们建立了最大偏差的Gumbel收敛性。我们的结果基本上推广了早期的条目被假定为独立和同分布,它提供了一个理论基础,高维协方差的同时推断。
2011-09-02 math.ST stat.TH
Sparse Bayesian Inference with Regularized Gaussian Distributions
正则化是变分反问题中对问题参数进行假设的常用工具。其中一个假设是稀疏性,通常使用套索和类全变差正则化来提升稀疏性。虽然许多这样的正则化反问题的解决方案可以被认为是精心选择的后验分布的最大概率点,这些分布的样本通常不是稀疏的。在本文中,我们提出了一个框架,隐式地定义一个概率分布,结合了稀疏性的影响施加正则化与高斯分布。与连续分布不同,这些隐式分布可以将正概率分配给稀疏向量。我们研究这些正则化分布的各种正则化函数,包括总变差正则化和分段线性凸函数。我们将所开发的理论应用于贝叶斯线性逆问题的不确定性量化,并推导出贝叶斯分层模型的吉布斯采样器。为了说明我们的稀疏诱导框架和连续分布之间的差异,我们将我们的框架应用于小规模去模糊和计算机断层扫描的例子。
2023-02-14 math.ST stat.TH
Comments on `High-dimensional simultaneous inference with the bootstrap'
本文对Ruben Dezeure,Peter Buhlmann和Cun-Hui Zhang的文章“High-dimensional simultaneous inference with the bootstrap”进行了评述。
2017-03-29 math.ST stat.ME stat.TH
Efficient Variational Inference for Sparse Deep Learning with Theoretical Guarantee
Purdue University(普渡大学)
稀疏深度学习旨在解决深度神经网络巨大存储消耗的挑战,并恢复目标函数的稀疏结构。虽然已经取得了巨大的经验成功,但大多数稀疏深度学习算法缺乏理论支持。另一方面,另一系列的工作提出了理论框架,计算上是不可行的。在本文中,我们训练稀疏的深度神经网络,在尖峰和板先验下进行完全贝叶斯处理,并通过连续松弛伯努利分布来开发一组计算效率高的变分推断。给出了变分后验收缩率,证明了变分贝叶斯方法的一致性。值得注意的是,我们的实证结果表明,这种变分过程提供了贝叶斯预测分布方面的不确定性量化,也能够通过训练稀疏多层神经网络来实现一致的变量选择。
2020-11-15 cs.LG math.ST stat.ML
Bayesian sparse multiple regression for simultaneous rank reduction and variable selection
我们开发了一种贝叶斯方法,旨在同时估计低秩和行稀疏矩阵的高维多响应线性回归模型。我们考虑了精心设计的收缩前的矩阵的回归系数,从而避免了需要指定一个先验的秩,并缩小回归矩阵对低秩和行稀疏结构。我们提供了理论支持,所提出的方法,通过证明极小极大最优的后验均值下的预测风险在超高的维度设置的预测因子的数量可以增长相对于样本量的次指数。一个一步的后处理方案引起的估计系数矩阵的行上的组套索处罚变量的选择,与默认选择的调谐参数。我们还提供了一个估计的秩使用一种新的优化函数实现降维的协变量空间。我们展示了所提出的方法在一个广泛的模拟研究和一个真实的数据例子的性能。
2019-04-09 math.ST stat.ME stat.TH
Post-Selection Inference for Sparse Estimation
本文综述了稀疏估计中模型选择后的选择性推断,涵盖Lasso、前向逐步法和LARS的多面体与截断分布,并介绍Lasso显著性检验和LARS间距检验。
2023-10-10 math.ST stat.ME stat.TH
Convergence Rates of Variational Inference in Sparse Deep Learning
CREST(CREST(经济与统计研究中心));ENSAE(ENSAE(国立统计与经济管理学院));Institut Polytechnique de Paris(巴黎理工学院)
变分推理在贝叶斯统计和机器学习中越来越多地用于逼近难以处理的后验分布。与此同时,最近的一些工作为深度神经网络提供了理论依据和新的见解,用于在非参数回归等通常设置中估计平滑函数。在本文中,我们证明了稀疏深度学习的变分推理保留了与精确贝叶斯推理相同的泛化特性。特别是,我们强调估计和逼近论之间的连接,通过经典的偏差方差权衡,并表明它导致近极小极大的收敛速度的Hölder光滑函数。此外,我们表明,通过ELBO最大化的神经网络架构的模型选择框架不会过拟合,并自适应地实现了最佳的收敛速率。
2019-09-05 cs.LG math.ST stat.ML
Sparsistency and agnostic inference in sparse PCA
稀疏的“真理”的存在一直是稀疏PCA的理论分析中的一个恒定假设,并且通常隐含在其方法的发展中。这自然会引起关于稀疏PCA方法的属性以及它们如何依赖于稀疏性假设的问题。如果真值被假设为稀疏的,那么在什么条件下相关变量的选择是一致的?在不假设稀疏和唯一真理的情况下,关于稀疏PCA的结果可以说些什么?我们回答这些问题,通过调查最近提出的Fantope投影和选择(FPS)方法在高维设置的属性。我们的结果为FPS估计的稀疏性提供了一般的充分条件。这些条件是弱的,并且可以在已知其他估计失败的情况下保持。另一方面,在不假设稀疏性或可识别性的情况下,我们表明FPS提供了一个稀疏的线性降维变换,在最大化预测协方差方面接近最佳可能。
2015-03-05 math.ST stat.ML stat.TH
Estimation and inference for high-dimensional non-sparse models
为了成功地进行变量选择,稀疏模型结构已成为所有现有方法的基本假设。然而,这种假设是值得怀疑的,因为它是很难在大多数情况下,现有的方法可以提供一致的估计和准确的模型预测在非解析场景。在本文中,我们提出了半参数重建模和推理时,所研究的线性回归模型可能是非稀疏的。在用本文所采用的Dantzig选择器等方法选择初始工作模型后,通过选择合适的工具变量和非参数调整,重新构建了一个全局无偏的半参数模型。新定义的模型是可辨识的,参数向量的估计是渐近正态的。模型的一致性和重建模型的一致性促进了模型的预测。当模型确实稀疏时,该方法自然有效,因此在一定意义上对非稀疏具有鲁棒性。仿真研究表明,新的方法,特别是当$p$是远远大于$n$,显着改善的估计和预测精度的高斯Dantzig选择器和其他经典的方法。即使当所研究的模型是稀疏的,我们的方法也可以与现有的稀疏模型设计的方法相媲美。
2011-12-04 math.ST stat.ME stat.TH
Empirical Bayes inference in sparse high-dimensional generalized linear models
本文针对高维广义线性模型提出一种经验贝叶斯方法,通过数据驱动先验构造后验分布,并证明其具有最优估计速率、变量选择一致性及渐近有效的不确定性量化,模拟中优于现有方法。
2024-04-24 math.ST stat.ME stat.TH
Grand canonical ensembles of sparse networks and Bayesian inference
最大熵网络集成在稀疏网络拓扑建模和解决具有挑战性的推理问题方面非常成功。然而,迄今为止提出的稀疏最大熵网络模型具有固定的节点数量,并且通常不可交换。在这里,我们考虑可交换网络的层次模型在稀疏的限制,即与链接的总数与节点的总数线性缩放。该方法是巨正则的,即网络的节点数不是先验固定的:它是有限的,但可以是任意大的。通过这种方式,巨正则网络系综规避了处理无限稀疏可交换网络的困难,根据Aldous-Hoover定理,这些网络必须为零。该方法可以处理具有给定度分布的网络,也可以处理具有给定潜变量分布的网络。当只有一个子图所引起的一个子集的节点是已知的,该模型允许贝叶斯估计的网络规模和程度序列(或序列的潜变量)的整个网络,可用于网络重建。
2022-04-26 cond-mat.dis-nn cs.SI math.ST
A fast asynchronous MCMC sampler for sparse Bayesian inference
我们提出了一个非常快速的近似马尔可夫链蒙特卡罗(MCMC)采样框架,适用于一大类稀疏的贝叶斯推断问题,在几个模型中,每次迭代的计算成本是为了$O(ns)$,其中$n$是样本量,和$s$的基本稀疏模型。当采用随机梯度朗之万动力学时,通过数据子采样可以进一步降低该成本。该算法是Johnson等人(2013)的异步Gibbs采样器的扩展,但可以从统计学角度视为贝叶斯迭代确定独立筛选的一种形式(Fan等人(2009))。我们表明,在高维线性回归问题,所提出的算法产生的马尔可夫链承认一个不变的分布,正确地恢复主信号的概率高,在一些统计假设。此外,我们表明,它的混合时间是最多的线性回归的数量。我们用几个模型来说明该算法。
2021-08-14 math.ST stat.CO stat.ML