Африканская миграция: тенденции, закономерности и факторы

В статистической теории и теории машинного обучения разработан ряд условий, гарантирующих эффективную работу таких распространённых оценивателей, как Lasso и селектор Данцига, в задачах разреженной регрессии высокой размерности; к ним относятся свойства ограниченного собственного значения, совместимости и ℓ∞-чувствительности. Однако некоторые ключевые аспекты этих условий остаются недостаточно изученными. Например, неизвестно, можно ли эффективно проверять выполнение этих условий для любого заданного набора данных. Это представляет проблему, поскольку данные условия лежат в основе теории разреженной регрессии. В настоящей работе мы строго доказываем, что проверка этих условий является NP-трудной задачей. Это показывает, что вычислительная проверка условий практически невыполнима, и ставит ряд вопросов относительно их практического применения. Однако, рассматривая средний случай вместо наихудшего случая, лежащего в основе понятия NP-трудности, мы показываем, что условие ℓ∞-чувствительности обладает рядом желательных свойств. Это условие является более слабым и общим по сравнению с другими. Мы показываем, что оно выполняется с высокой вероятностью в моделях, в которых генеральная совокупность обладает хорошими свойствами, а также устойчиво к определённым этапам обработки данных. Эти результаты важны, поскольку дают ориентиры для определения того, когда данное условие и, в более общем смысле, теория разреженной регрессии могут быть применимы при анализе многомерных коррелированных наблюдательных данных.