Logistic lasso regression with nearest neighbors for gradient-based dimension reduction
基于最近邻的逻辑套索回归与梯度降维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：摘要以二分类条件概率梯度估计与降维为核心，属于离散选择/二元响应建模方向，故选择离散选择。
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…
基于最近邻的逻辑套索回归与梯度降维
- 研究问题
- 摘要称，本文研究二分类框架下如何估计给定协变量时条件概率的梯度，并利用该梯度估计中心子空间以实现协变量空间的降维。
- 方法与思路
- 作者提出对局部最近邻逻辑模型施加ℓ1惩罚进行拟合，以应对可能的高维协变量；再用若干点上梯度估计的外积构造中心子空间的估计方法，并以误分类率的交叉验证确定子空间维数。
- 材料陈述的贡献
- 摘要称理论分析表明梯度估计量的逐点收敛速度在很弱的假设下达到最优；并提出一种新的中心子空间估计方法，在合成与真实数据应用中表现优于现有竞争者。
- 阅读关注点
- 应核对梯度估计最优收敛率所依赖的具体假设、最近邻与惩罚参数的选择方式、外积估计中心子空间的识别条件，以及交叉验证定维与比较实验的设置是否支持所声称的优越性。
- 阅读边界
- 仅凭摘要无法判断定理条件、证明细节、模拟设计与真实数据来源，也无法核实“优于现有竞争者”的结论；该文为arXiv预印本，未经同行评审验证。
原文摘要
This paper investigates a new approach to estimate the gradient of the conditional probability given the covariates in the binary classification framework. The proposed approach consists of fitting a localized nearest-neighbor logistic model with $\ell_1$-penalty in order to cope with possibly high-dimensional covariates. Our theoretical analysis shows that the pointwise convergence rate of the gradient estimator is optimal under very mild assumptions. Moreover, using an outer product of such gradient estimates at several points in the covariate space, we provide a new method for estimating the central subspace, a well-known object allowing to carry out dimension reduction within the covariate space. Our implementation uses cross-validation on the misclassification rate to estimate the dimension of this subspace. We find that the proposed approach outperforms existing competitors in synthetic and real data applications.