Robust and sparse estimation methods for high-dimensional linear and logistic regression

نسخه های کاملا قابل اعتماد از برآوردگر خالص الاستیک برای رگرسیون خطی و لجستیک معرفی شده اند. الگوریتمهای مورد استفاده برای محاسبه برآوردگرها بر مبنای ایده استفاده مکرر برآوردگرهای کلاسیک غیرمستقیم تنها به زیر مجموعه داده ها است. نشان داده شده است که چگونه زیرمجموعه های بدون خروج می توانند به طور موثری شناسایی شوند و اینکه چگونه پارامترهای مناسب تنظیم مجازات خالص الاستیک را می توان انتخاب کرد. گام نهایی بازآرایی، بازدهی برآوردگرها را بهبود می بخشد. مطالعات شبیه سازی با برآوردگرهای قوی و غیرمستقیم رقابتی مقایسه شده و برتر از روش های تازه پیشنهاد شده را نشان می دهد. این همچنین با یک زمان محاسبه منطقی و عملکرد خوب در نمونه های واقعی داده پشتیبانی می شود.