Oct, 2009

高维特征空间变量选择的选择性概述（邀请评论文章）

PDF
TL;DR本文简要介绍了高维统计推断中变量选择的理论、方法和实现的最近发展，强调单峰罚函数的统计性质及其在高维统计建模中的作用，同时还回顾了独立筛选和两种方法在超高维变量选择方面的最近进展。
high-dimensional statistical inferencevariable selectionpenalized likelihoodultra-high dimensional variable selectionindependence screening
发现论文，激发创造
  • 高维变量选择

    本文讨论了在高维模型中进行变量选择时可以给出什么样的统计保证，并以某些多阶段回归方法的误差率和功率为例。我们考虑了三种筛选方法：套索、边际回归和前向逐步回归，提出了在某些条件下一致的变量选择方法。

    Apr, 2007

  • 通过分层核学习进行高维非线性变量选择

    研究的主要目标是解决高维非线性变量选择的问题，提出了一种基于多核学习框架和有向无环图的核函数选择方法，能够以多项式时间选择核函数，具有高预测性能。

    Sep, 2009

  • 通过变量选择稳定性实现调参参数的一致性选择

    本文提出了一种基于变量选择稳定性的通用调参方法，通过选择调参，使得结果回归模型在变量选择上更加稳定，并在固定和发散维度下建立了选择一致性，同时在多种模拟示例和前列腺癌数据应用中证明了其有效性。

    Aug, 2012

  • 具有缩小和扩散先验的贝叶斯变量选择

    提出一种基于贝叶斯方法、将先验分布放置在回归系数以及模型空间上、使用针对高维协变量的针尖和板块高斯先验、通过 Gibbs 抽样执行的变量选择方法，具有可靠的选择一致性和优于其他方法的良好性能。

    May, 2014

  • 基于稀疏 Fisher-EM 算法的聚类判别变量选择

    本研究提出了在 Fisher-EM 算法的 loading matrix 中引入稀疏性以选择区分变量的方法，用于聚类高维数据，并在模拟和实际数据集上进行了实验比较。同时，还展示了这种方法在火星高光谱图像分割方面的应用。

    Apr, 2012

  • 基于投影算子的两视图学习任务的可扩展变量选择

    本文提出了一种基于投影算子和相关性度量的变量选择方法，能够处理大规模的选择任务，并通过实验证明了其可行性。

    Jul, 2023

  • 利用倾斜方法进行高维变量选取

    该论文提出了一种新的变量选择方法，该方法考虑了因数据面临的高维复杂性带来的诸多挑战，提出了一种倾斜相关性的度量方法，并构建了一个迭代变量筛选算法，以实现高效的变量选择。

    Nov, 2016

  • 惩罚式生成变量选择

    利用条件瓦狄斯坦生成对抗网络进行建模和估计，应用组 Lasso 惩罚实现变量选择，分析受截尾生存数据的收敛率、近似误差和效率，以及通过仿真和实验数据分析实际应用中的实用性。

    Feb, 2024

  • 超高维特征空间的稳健独立筛选

    该研究介绍了 Sure Independence Screening（SIS）概念，提出了一种基于相关学习的 SIS 方法来减少超高维度，进而通过 SCAD、Dantzig 选择、Lasso 或自适应 Lasso 等成熟方法来提高速度和准确率。

    Dec, 2006

  • 稀疏惩罚优化

    本文介绍从一般的角度分析在使用稀疏估计方法中相关的优化工具和技术，包括近端方法、块坐标下降、加权 L2 正则技术、工作集和家族方法以及非凸形式和扩展。同时，我们提供了一组广泛的实验来比较各种算法在计算方面的差异。

    Aug, 2011