고차원 위치‑스케일 모델을 위한 피벗 변환

초록

본 논문은 스케일 파라미터만 알면 되는 고차원 선형 회귀에서, 로그우도 변환을 이용해 스케일에 무관한 튜닝 파라미터 λ을 선택할 수 있는 “exp‑Lasso”를 제안한다. 이는 제곱근 Lasso를 일반화한 것으로, 검출 경계(detec­tion edge) 근처에서 λ을 잡을 수 있으며, 오라클 부등식, 변수 선택 일관성, 스케일 및 절편 추정의 점근 효율성을 증명한다. Subbotin, Gumbel 등 다양한 비정규 분포에 적용 가능하다.

상세 분석

이 연구는 고차원( p≫n ) 선형 모델 y_i = x_i^Tβ* + σξ_i 에서, 잡음 ξ_i 의 밀도 f가 로그‑컨벡스이며 스케일 σ만 미지인 상황을 다룬다. 기존 제곱근 Lasso는 손실을 제곱오차로 가정하고 σ*를 추정하기 위해 √(RSS) 형태의 변환을 사용했지만, 비정규 분포에서는 적용이 제한적이다. 저자들은 minus‑log‑likelihood R_n(β,σ)=n⁻¹∑ℓ_{β,σ}(x_i,y_i) 에 대해 지수 변환 ϕ(u)=exp(u) 를 적용해 exp‑Lasso
\