Semi-supervised U-statistics
半监督 U 统计量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：摘要讨论通用半监督统计理论，未明确涉及所列计量应用领域细分。
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…
半监督 U 统计量
- 研究问题
- 当标注数据昂贵而无标签数据丰富时，如何将预测工具融入 U 统计量，以提高估计效率并刻画问题的最优风险边界？
- 方法与思路
- 作者构造利用无标签数据的半监督 U 统计量，分析渐近性质和极小极大下界，并为二元核设计覆盖不同退化情形的改进程序。
- 材料陈述的贡献
- 摘要称方法具有渐近正态性，并在正则条件下达到半参数效率；二元核改进程序在各退化情形下优于经典 U 统计量。
- 阅读关注点
- 应核对标注与无标签样本的关系、预测工具所需条件、效率比较准则，以及二元核退化情形和最优性结论的精确定义。
- 阅读边界
- 仅据所给 Crossref 摘要，不推断刊本变化。正则条件、样本规模关系和各退化情形下的比较标准未说明，不能认定无条件改进。
原文摘要
Semi-supervised datasets are ubiquitous across diverse domains where obtaining fully labeled data is costly or time-consuming. The prevalence of such datasets has consistently driven the demand for new tools and methods that exploit the potential of unlabeled data. Responding to this demand, we introduce semi-supervised U-statistics enhanced by the abundance of unlabeled data, and investigate their statistical properties. We show that the proposed approach is asymptotically Normal and exhibits notable efficiency gains over classical U-statistics by effectively integrating various powerful prediction tools into the framework. To understand the fundamental difficulty of the problem, we derive minimax lower bounds in semi-supervised settings and showcase that our procedure is semi-parametrically efficient under regularity conditions. Moreover, tailored to bivariate kernels, we propose a refined approach that outperforms the classical U-statistic across all degeneracy regimes, and demonstrate its optimality properties. Simulation studies are conducted to corroborate our findings and to further demonstrate our framework.