Dual feature reduction for the sparse-group lasso and its adaptive variant

稀疏组套索同时实现变量和组选择，充分利用了套索和组套索的优点。由于其稀疏组惩罚可以利用分组信息，因此在遗传学等高维数据分析领域得到了广泛应用。然而，稀疏组套索由于增加了收缩复杂性和需要调整的额外超参数，计算成本可能比套索和组套索更高。本文提出了一种新的双重特征约减方法，双重特征约减（DFR），它使用强筛选规则来减少稀疏组套索和自适应稀疏组套索的输入空间，从而降低优化成本。DFR应用了两层筛选，基于稀疏组套索和自适应稀疏组套索的双重范数。通过合成和实际数值研究，表明所提出的特征约减方法能够在许多不同情况下显著降低计算成本。

本论文旨在提出一种新的双特征降维方法，以减少稀疏组套索（sparse-group lasso）和自适应稀疏组套索（adaptive sparse-group lasso）的计算成本。

新方法DFR使用强筛选规则来减少输入空间，基于稀疏组套索和自适应稀疏组套索的双重规范。

通过合成和真实数字研究，论文表明所提出的双特征降维方法能够在许多不同情况下显著降低计算成本。

当前领域中的相关研究包括lasso、group lasso和sparse-group lasso的应用，以及其他降维方法的研究，如主成分分析（PCA）和线性判别分析（LDA）等。