Class-Specific Joint Feature Screening in Ultrahigh-Dimensional Mixture Regression
超高维混合回归中的类别特异联合特征筛选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：摘要讨论通用高维混合回归特征筛选，潜在类别不等同于经济离散选择或结构估计。
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
超高维混合回归中的类别特异联合特征筛选
- 研究问题
- 在超高维有限混合回归中，如何在深入拟合前筛除无关变量，同时保留联合作用并允许不同潜在类别具有不同相关特征？
- 方法与思路
- 作者针对高斯有限混合回归提出稀疏约束的期望—近似—最大化算法，同时筛选各潜在类别的变量并考虑特征联合影响。
- 材料陈述的贡献
- 摘要称方法可直接生成类别特异筛选结果，并以理论、模拟和真实数据支持其表现及相对既有筛选方法的优势。
- 阅读关注点
- 应核对混合成分的识别与分离要求、类别数和稀疏约束选择、筛选保证，以及联合作用在算法中如何被保留。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；筛选理论的具体条件与比较设置未说明，不能推断普遍优势或刊本变化。
原文摘要
Finite mixture of regression models are ubiquitous for analyzing complex data. They aim to detect heterogeneity in the effects of a set of features on a response over a finite number of latent classes. When the number of features is large, a direct fitting of mixture regressions can be computationally infeasible and often leads to a poor interpretative value. One practical strategy is to screen out most irrelevant features before an in-depth analysis. In this article, we propose a novel method for feature screening in ultrahigh-dimensional Gaussian finite mixture of regressions. The new method is built upon a sparsity-restricted expectation-approximation-maximization algorithm, which simultaneously removes varying sets of irrelevant features from multiple latent classes. In the screening process, joint effects between features are naturally accounted and class-specific screening results are produced without ad hoc steps. These merits give the new method an edge to outperform the existing screening methods. The promising performance of the method is supported by both theory and numerical examples including a real data analysis. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.