摘要翻译：
在设计的Gram矩阵上的相互相干假设和两种不同的噪声假设：高斯噪声和有限方差的一般噪声下，我们同时得到了高维线性回归模型中Lasso和Dantzig估计的$L_{infty}$收敛速度。同时证明了在目标向量的非零分量不太小的情况下，适当选择阈值的Lasso和Dantzig估计具有符号集中性质。
---
英文标题：
《Sup-norm convergence rate and sign concentration property of Lasso and
  Dantzig estimators》
---
作者：
Karim Lounici
---
最新提交年份：
2008
---
分类信息：

一级分类：Mathematics        数学
二级分类：Statistics Theory        统计理论
分类描述：Applied, computational and theoretical statistics: e.g. statistical inference, regression, time series, multivariate analysis, data analysis, Markov chain Monte Carlo, design of experiments, case studies
应用统计、计算统计和理论统计：例如统计推断、回归、时间序列、多元分析、数据分析、马尔可夫链蒙特卡罗、实验设计、案例研究
--
一级分类：Statistics        统计学
二级分类：Statistics Theory        统计理论
分类描述：stat.TH is an alias for math.ST. Asymptotics, Bayesian Inference, Decision Theory, Estimation, Foundations, Inference, Testing.
Stat.Th是Math.St的别名。渐近，贝叶斯推论，决策理论，估计，基础，推论，检验。
--

---
英文摘要：
  We derive the $l_{\infty}$ convergence rate simultaneously for Lasso and Dantzig estimators in a high-dimensional linear regression model under a mutual coherence assumption on the Gram matrix of the design and two different assumptions on the noise: Gaussian noise and general noise with finite variance. Then we prove that simultaneously the thresholded Lasso and Dantzig estimators with a proper choice of the threshold enjoy a sign concentration property provided that the non-zero components of the target vector are not too small.
---
PDF链接：
https://arxiv.org/pdf/801.461