A convex optimization approach to high-dimensional sparse quadratic discriminant analysis
高维稀疏二次判别分析的凸优化方法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：摘要研究统计分类及其收敛理论，分类任务不构成经济学离散选择模型的直接证据。
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
高维稀疏二次判别分析的凸优化方法
- 研究问题
- 高维二次判别分析需要哪些结构限制才能实现一致分类，其分类误差可以达到怎样的最小最大收敛速率？
- 方法与思路
- 作者对判别方向和差异图施加稀疏限制，用约束凸优化构造 SDAR 分类规则，并建立最小最大上下界及扩展模型。
- 材料陈述的贡献
- 摘要称 SDAR 在一组参数空间上同时达到相差至多对数因子的速率最优性，并扩展至多组分类和高斯 copula 模型。
- 阅读关注点
- 应核对稀疏条件、分类误差的定义、上下界对应的参数空间和对数差距，以及高斯与扩展模型间的条件变化。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体速率、样本规模和数值比较未说明，不能推断所有高维分类问题均适用。
原文摘要
In this paper, we study high-dimensional sparse Quadratic Discriminant Analysis (QDA) and aim to establish the optimal convergence rates for the classification error. Minimax lower bounds are established to demonstrate the necessity of structural assumptions such as sparsity conditions on the discriminating direction and differential graph for the possible construction of consistent high-dimensional QDA rules. We then propose a classification algorithm called SDAR using constrained convex optimization under the sparsity assumptions. Both minimax upper and lower bounds are obtained and this classification rule is shown to be simultaneously rate optimal over a collection of parameter spaces, up to a logarithmic factor. Simulation studies demonstrate that SDAR performs well numerically. The algorithm is also illustrated through an analysis of prostate cancer data and colon tissue data. The methodology and theory developed for high-dimensional QDA for two groups in the Gaussian setting are also extended to multigroup classification and to classification under the Gaussian copula model.