Semi-Supervised Kernel Ridge Fréchet Regression
半监督核岭 Fréchet 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：摘要讨论通用对象响应回归和半监督学习，没有所列宏观预测或其他应用细分的直接证据。
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
半监督核岭 Fréchet 回归
- 研究问题
- 在标注样本稀少、响应为随机对象时，如何利用未标注协变量改进 Fréchet 回归预测，并区分两类样本对误差的作用？
- 方法与思路
- 作者从标注和未标注协变量学习核谱特征，再用标注响应估计条件 Fréchet 函数，并构造特征或预测混合方法。
- 材料陈述的贡献
- 摘要称，方法具有区分两类样本作用的误差界和条件收敛速度，并给出混合稳定性及预测混合保证；部分实验显示半监督收益。
- 阅读关注点
- 应核对核与对象空间条件、两类样本规模要求及调参方式，并区分混合权重稳定性、预测混合速度和不同实验中的改进。
- 阅读边界
- 这是 arXiv v2 预印本，同行评审和期刊接收未核实；摘要未列完整核及空间条件，不能将条件性理论和部分实验收益推广到所有对象响应。
原文摘要
Fréchet regression provides a framework for predicting random object-valued responses by minimizing the conditional expected squared distances. We propose semi-supervised kernel ridge Fréchet regression (SS-KRFR) to exploit unlabeled covariates when labeled samples are scarce. The method learns kernel spectral features from both labeled and unlabeled covariates, then utilizes labeled responses to estimate the conditional Fréchet function by kernel ridge regression. We derive prediction error bounds that distinguish the roles of labeled and unlabeled samples, and establish polynomial convergence rates under suitable conditions. Under additional kernel assumptions, a sharper analysis relaxes the sample size requirements for learning the features. We also develop hybrids that combine features, predictions, or both from models fitted with and without unlabeled covariates, establishing uniform stability over mixing weights in Hadamard spaces at common tuning and a separate rate guarantee for prediction mixing. Simulations and a real-data application show semi-supervised gains and improvements over competing Fréchet regression methods in several settings.