Classification via kernel product estimators
基于核乘积估计量的分类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。
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：摘要是通用核密度分类方法，分类任务本身不足以归入经济学离散选择。
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
基于核乘积估计量的分类
- 研究问题
- 如何缓解多元核密度分类在高维情形中的样本需求，并利用坐标变换构造具有较稳定表现的分类方法？
- 方法与思路
- 作者从线性和二次判别分析的另一种解释出发，旋转坐标并假定旋转后的分量相互独立，构造核乘积估计量。
- 材料陈述的贡献
- 摘要称，所提方法在多个示例中表现良好，包括一个二十维目标识别问题；未给出普遍误差改善的理论结论。
- 阅读关注点
- 应核对坐标旋转的估计方式、独立性假设如何使用，以及带宽选择、训练样本规模和分类误差的比较标准。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；旋转并不由摘要保证产生独立分量，数值表现和适用边界需查全文。
原文摘要
Multivariate kernel density estimation is often used as the basis for a nonparametric classification technique. However, the multivariate kernel classifier suffers from the curse of dimensionality, requiring inordinately large sample sizes to achieve a reasonable degree of accuracy in high dimensional settings. A variance stabilising approach to kernel classification can be motivated through an alternative interpretation of linear and quadratic discriminant analysis in which rotations of the coordinate axes are employed to obtain an assumed mutual independence among the components of the rotated data. This alternative method, which we call the method of kernel product estimators, performs well in a variety of examples, including a 20-dimensional target recognition problem.