发表机构
University of Missouri（密苏里大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
TEASE结合空间包络与全尺度基图形套索，利用目标图形弹性网处理非实质精度矩阵，并通过增强包络惩罚正则化回归系数，在气候数据上展示效果。
AI 中文摘要
包络回归是多变量线性建模的关键组成部分，利用将数据分解为实质部分和非实质部分来实现简约的数据降维。Rekabdarkolaee等人（2020）构建了空间包络，一种新颖的多变量高斯过程，随后由May等人（2022）扩展为线性协同区域化包络。我们提出的方法（TEASE）结合了空间包络和全尺度基图形套索（LeDuc等人，2025），利用目标图形弹性网（Kovács等人，2021）来处理非实质精度矩阵。实质部分是一个多变量多分辨率高斯马尔可夫随机场（Kleiber等人，2019；Caringi和Secchi，2026）。增强的包络惩罚（Kwon和Zou，2025）对回归系数进行正则化。演示在气候数据上进行。
英文摘要
Envelope regression is a crucial part of multivariate linear modeling, leveraging separation into material and immaterial parts to provide parsimonious data reduction. Rekabdarkolaee et al. (2020) construct spatial envelope, a novel multivariate Gaussian process, extended by May et al. (2022) to linear coregionalization envelope. Our proposal (TEASE) combines spatial envelope and full-scale basis graphical lasso (LeDuc et al., 2025), leveraging targeted graphical elastic net (Kovács et al., 2021) for immaterial precision matrices. Material part is a multivariate multiresolution Gaussian Markov random field (Kleiber et al., 2019; Caringi and Secchi, 2026). Enhanced envelope penalty (Kwon and Zou, 2025) regularizes regression coefficients. Demonstrations are on climate data.
