The fused Kolmogorov filter: A nonparametric model-free screening method
融合 Kolmogorov 筛选器：非参数无模型变量筛选方法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：摘要研究通用高维变量筛选，分类应用不等同于离散选择模型，也未指向所列其他细分领域。
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…
融合 Kolmogorov 筛选器：非参数无模型变量筛选方法
- 研究问题
- 高维数据中能否在不指定回归模型的情况下筛选变量，并兼容多种变量类型及协变量之间较强的依赖关系？
- 方法与思路
- 作者提出融合 Kolmogorov 筛选器，用于连续、离散和分类变量的非参数筛选，并在多类分类及回归问题中展示。
- 材料陈述的贡献
- 摘要称，该方法在所述较弱正则条件下具有确保筛选性质，并在强协变量依赖时仍可有效；作者报告模拟与实证比较优势。
- 阅读关注点
- 核对融合规则、筛选阈值与确保筛选性质的定义，强依赖所受限制，以及比较方法、调参和数据设计是否公平。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；具体正则条件与比较结果未提供，不能将作者报告的优势视为普遍优越性或因果变量识别能力。
原文摘要
A new model-free screening method called the fused Kolmogorov filter is proposed for high-dimensional data analysis. This new method is fully nonparametric and can work with many types of covariates and response variables, including continuous, discrete and categorical variables. We apply the fused Kolmogorov filter to deal with variable screening problems emerging from a wide range of applications, such as multiclass classification, nonparametric regression and Poisson regression, among others. It is shown that the fused Kolmogorov filter enjoys the sure screening property under weak regularity conditions that are much milder than those required for many existing nonparametric screening methods. In particular, the fused Kolmogorov filter can still be powerful when covariates are strongly dependent on each other. We further demonstrate the superior performance of the fused Kolmogorov filter over existing screening methods by simulations and real data examples.