Adaptive Geometric Regression for High-Dimensional Structured Data
面向高维结构化数据的自适应几何回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦高维结构化数据的几何回归方法，未涉及所给微观、宏观或金融领域细分的具体问题，故不选择任何细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
面向高维结构化数据的自适应几何回归
- 研究问题
- 摘要称，研究如何对高环境维度但低内在维度的结构化数据（如微生物组组成）做回归，因为传统方法难以刻画其内在几何结构。
- 方法与思路
- 作者提出从特征空间的 k 近邻覆盖出发，让几何结构通过热扩散与响应一致性调制迭代演化，在响应平滑处聚集质量、在响应剧变处形成扩散壁垒，从而得到条件期望估计。
- 材料陈述的贡献
- 摘要明确陈述的贡献是提出一个几何回归框架，把分析从环境空间转移到刻画数据内在结构的几何对象上，使条件期望估计同时尊重特征空间的内在几何与响应结构。
- 阅读关注点
- 应核对 k 近邻覆盖的具体构造、热扩散与响应一致性调制的迭代更新公式、收敛性或一致性条件，以及条件期望估计的识别假设与实证或模拟表现。
- 阅读边界
- 仅有摘要，无法判断估计量的理论保证、调参敏感性、计算成本与相对基准的表现；摘要未说明具体数据、数值结果与识别假设。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We present a geometric framework for regression on structured high-dimensional data that shifts the analysis from the ambient space to a geometric object capturing the data's intrinsic structure. The method addresses a fundamental challenge in analyzing datasets with high ambient dimension but low intrinsic dimension, such as microbiome compositions, where traditional approaches fail to capture the underlying geometric structure. Starting from a k-nearest neighbor covering of the feature space, the geometry evolves iteratively through heat diffusion and response-coherence modulation, concentrating mass within regions where the response varies smoothly while creating diffusion barriers where the response changes rapidly. This iterative refinement produces conditional expectation estimates that respect both the intrinsic geometry of the feature space and the structure of the response.