Covariance-enhanced discriminant analysis
协方差增强判别分析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：摘要涉及高维生物数据分类，未明确对应离散选择行为或所列经济金融预测领域。
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…
协方差增强判别分析
- 研究问题
- 面对高维生物特征及特征间相关性，如何同时选择有信息的变量、识别可区分类别，并建立分类误差的理论保证？
- 方法与思路
- 作者提出利用特征间相关性的协方差增强判别分析，联合进行特征和类别识别，并用模拟及肾移植试验数据考察方法。
- 材料陈述的贡献
- 摘要称在正则条件下，方法具有参数估计和模型选择一致性，并可达到渐近最优误分类率；具体条件未列出。
- 阅读关注点
- 应核对协方差信息如何进入判别规则、维度增长和信号要求，以及最优误分类率的参照对象与有限样本表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；所谓温和条件及最优性的范围未说明，不能据此声称普遍优于其他分类器。
原文摘要
Linear discriminant analysis has been widely used to characterize or separate multiple classes via linear combinations of features. However, the high dimensionality of features from modern biological experiments defies traditional discriminant analysis techniques. Possible interfeature correlations present additional challenges and are often underused in modelling. In this paper, by incorporating possible interfeature correlations, we propose a covariance-enhanced discriminant analysis method that simultaneously and consistently selects informative features and identifies the corresponding discriminable classes. Under mild regularity conditions, we show that the method can achieve consistent parameter estimation and model selection, and can attain an asymptotically optimal misclassification rate. Extensive simulations have verified the utility of the method, which we apply to a renal transplantation trial.