bibkey: “butucea2018hamming” authors: “Cristina Butucea; Mohamed Ndaoud; Natalia A. Stepanova; Alexandre B. Tsybakov” year: 2018 title: “Variable selection with Hamming loss” doi: “10.1214/17-AOS1572” url: “https://arxiv.org/abs/1512.01832v5” claim: “The pinned preprint separates almost-full and exact recovery in the sparse Gaussian sequence model through different Hamming-risk thresholds; its exact expected-loss criterion must not be replaced by a probability-one failure assertion.” strata_touched: [] license: “citation-only” triage: “anchor”
Variable selection with Hamming loss
期刊书目信息为 The Annals of Statistics 46(5), 1837–1875 (2018)， DOI 10.1214/17-AOS1572。 作者、标题、期刊、卷期、年份及 DOI 有 Crossref 书目记录对应。 本文逐条讨论的原始正文为 43 页的 arXiv:1512.01832v5。首页边栏标明版本日期 2018 年 10 月 12 日；标题下另显示 2018 年 10 月 15 日，二者不混同。 下述定理与公式编号均定位于 v5，不作期刊最终正文与预印本逐字一致的断言。
模型、损失与两个阈值
第 1 节的高斯序列模型为独立噪声下的 。参数类限制至多 个非零坐标，且非零幅度 与零分离。选择器可输出任意二元向量；Hamming 风险并未限制输出基数。 第 3.2 节还讨论独立非高斯坐标的似然比选择，这些背景不构成对任意相关路径的 现成支持恢复定理。
第 4 节区分归一化 Hamming 风险趋零的几乎全恢复与未归一化期望 Hamming 损失趋零的精确恢复。定理 4.3 及式 (39)（第 15 页）给出几乎全恢复的 一阶幅度尺度
a_A=\sigma\sqrt{2\log((d-s)/s)}\,(1+o(1)).
其中定理规定相应稀疏参数类、阈值裕量及极限条件；定理 4.3 的反向结论是 极小极大归一化风险具有正的下极限，不应未经额外论证加强为风险趋于一。 定理 4.4 及式 (43)（第 16–17 页）给出精确恢复的一阶幅度尺度
a_E=\sigma\left(\sqrt{2\log(d-s)}+\sqrt{2\log s}\right),
这里要求支持大小增长，并保留该定理的稀疏性条件与上下侧裕量。 在 下，用 度量强度， 这两条界分别成为
\beta,\qquad (1+\sqrt{1-\beta})^2.
这是已有的高斯支持恢复相图，不能把在别的模型中出现相同标量极限当作新的一般原则。
不能替换的概率结论
该处精确恢复的上侧为 ，它蕴含错误支持 概率趋零。下侧陈述未归一化期望损失发散；由于损失上界也随维数增长， 这本身不蕴含错误支持概率趋于一。要取得后一结论，须另证错误事件概率趋一， 例如在同一实际概率律下证明背景极大值得分超过信号极小值得分。
在补偿奇偶核中，几乎全恢复界与精确恢复界的小振幅标量曲线若分别收敛到上述 高斯常数，这只说明固定振幅相界作为函数的端点一致性。 它不提供 时的一致尾估计或路径传递，也不证明未知 的适应性。固定支持大小、真实路径依赖、未知方向及两种不同 Hamming 归一化，都须由对应模型的证明单独处理。