杨磊；方一心；王俊辉；邵永钊 通过学习梯度选择部分线性模型的变量。 （英语） Zbl 1379.62034号 电子。J.统计。 11，第2期，2907-2930（2017）. 研究了形式为（y=mathbf{z}^T\beta+f（mathbf}w}）+epsilon）的部分线性模型（PLM）的变量选择，对采用梯度学习策略（如[L.Yang（杨利伟）等，J.Mach。学习。第17号决议，第82号论文，24页（2016年；Zbl 1360.62199号)]. 与[loc.cit.]中的非参数回归模型相比，PLM更为简约，因此计算更容易。如果（f）的偏导数为零，则（mathbf{w}）的一个分量与回归问题无关。再现核希尔伯特空间技术用于学习\（f\）的梯度\（\mathbf｛g｝\）。采用拉索变量选择，包括渐近估计和选择一致性。审核人：菲利普·多布勒（多特蒙德） 引用于2文件 MSC公司： 62克08 非参数回归和分位数回归 62J07型 岭回归；收缩估计器（拉索） 46 E22型 具有再生核的希尔伯特空间（=（适当的）函数希尔伯特空间，包括de Branges-Rovnyak和其他结构空间） 68T05型 人工智能中的学习和自适应系统 6220国集团 非参数推理的渐近性质 关键词：部分线性模型；拉索组；学习梯度；再生核希尔伯特空间；变量选择 引文：Zbl 1360.62199号 软件：格尔姆奈特；格拉索；R（右） PDF格式BibTeX公司 XML格式引用 \textit{L.Yang}等人，《电子》。J.Stat.11，No.2，2907--2930（2017；Zbl 1379.62034） 全文： 内政部 欧几里得