SIAM Journal on Optimization, Volume 30, Issue 2, Page 1173-1190, January 2020.
In subset selection we search for the best linear predictor that involves a small subset of variables. From a computational complexity viewpoint, subset selection is NP-hard and few classes are known to be solvable in polynomial time. Using mainly tools from discrete geometry, we show that some sparsity conditions on the original data matrix allow us to solve the problem in polynomial time.

中文翻译：

---

稀疏矩阵中的子集选择

SIAM优化杂志，第30卷，第2期，第1173-1190页，2020
年1月。在子集选择中，我们搜索涉及一小部分变量的最佳线性预测变量。从计算复杂性的角度来看，子集选择是NP难的，并且在可多项式时间内可解决的类别很少。我们主要使用离散几何中的工具，我们表明原始数据矩阵上的一些稀疏条件使我们能够解决多项式时间内的问题。