本文介绍了一种针对稀疏神经网络的并行训练算法，结合新型激活函数和重要性指标，旨在提高计算效率和实现环保型人工智能。研究表明，该方法在稀疏模型压缩和推理加速方面表现优异，能够在保持准确性的同时显著提升性能。

本文综述高维统计变量选择进展，涵盖单峰罚函数性质、独立筛选与超高维方法，以及套索、边际回归、前向逐步回归的统计保证；提出组凸正则化稀疏神经网络，利用L2范数凹罚实现变量筛选与非线性估计；并涉及深度生成模型辅助变量、Group Lasso优化、贝叶斯针尖板块先验、lasso稀疏图估计、稳定性调参和异构建模等。