高维稀疏SVM统计推断框架

研究者提出一套针对稀疏支持向量机（SVM）的高维统计推断框架，在样本量与特征数成比例增长时，通过将 L1 惩罚 SVM 表示为线性规划并借助对偶变量识别 hinge 损失次梯度，得到坐标渐近高斯的去偏估计量。该方法可给出单个特征的置信区间与假设检验，并实现错误发现率受控的变量选择，在强相关协方差结构下的模拟及高维乳腺癌基因表达数据分析中验证了校准、功效与变量选择表现。

摘自 arXiv stat.ML

还没有足够的连续观测数据，暂不绘制趋势。