Data-Driven Logistic Regression Ensembles With Applications in Genomics
数据驱动的逻辑回归集成方法及其在基因组学中的应用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：摘要聚焦高维二分类的统计方法与基因组学应用，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择。
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…
数据驱动的逻辑回归集成方法及其在基因组学中的应用
- 研究问题
- 摘要称，研究如何在高维二分类问题中同时兼顾预测准确性与生物标志物识别，并将其应用于基因组学中疾病遗传基础的研究。
- 方法与思路
- 作者提出将正则化与集成技术相结合的方法，通过优化一个全局目标函数构造由可解释模型组成的紧凑集成，并给出变量重要性排序系统与高效计算算法，同时建立渐近性质。
- 材料陈述的贡献
- 摘要称该方法在医学基因组学应用中识别出竞争方法忽略的关键生物标志物，并通过复杂场景模拟与癌症基因组数据分析展示较强预测表现，还基于数值实验给出最优集成规模的实用建议。
- 阅读关注点
- 应核对全局目标函数的具体形式、集成的构造与规模选择规则、变量重要性排序的定义、渐近性质所需的假设条件，以及模拟与癌症数据中比较基准和评价指标。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理细节、数据来源与数值结果，也不能据此认定方法优于其他方法；该文为arXiv预印本，未经同行评审验证。
原文摘要
Advances in data collecting technologies in genomics have significantly increased the need for tools designed to study the genetic basis of many diseases. Effective statistical methods should excel in both prediction accuracy and biomarker identification. We introduce a novel approach to high-dimensional binary classification that integrates regularization with ensembling techniques. The method constructs compact ensembles of interpretable models derived by optimizing a global objective function. In medical genomics applications, the proposed approach identifies critical biomarkers overlooked by competing methods. We develop a variable importance ranking system to help researchers prioritize promising genes. The method's asymptotic properties are established, and an efficient computational algorithm is provided. Through extensive simulations across complex scenarios and analysis of cancer genomics datasets, we demonstrate strong predictive performance. Based on the numerical experiments, we offer practical guidelines for determining optimal ensemble size.