A Consistent Feature Screening Approach for Tensor Responses with Applications to Genome-Wide Facial Shape Association
面向张量响应变量的一致特征筛选方法及其在全基因组面部形状关联中的应用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：摘要主题为张量响应的高维特征筛选与基因组关联分析，属于统计方法与生物应用，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…
面向张量响应变量的一致特征筛选方法及其在全基因组面部形状关联中的应用
- 研究问题
- 摘要称，研究问题是在超高维基因池中筛选与人类面部形状变异相关的重要基因，同时处理张量型响应变量与超高维预测变量并存的数据结构。
- 方法与思路
- 作者提出基于张量岭回归的数据驱动修剪式特征筛选方法 TrimTenRidge，通过对张量系数设定阈值执行筛选，摘要称该方法不要求任何稀疏结构，并可定位与每个入选预测变量相关的张量响应特定区域或分量。
- 材料陈述的贡献
- 摘要称其贡献涵盖理论、方法与五个应用层面：证明选择一致性，通过多种模拟设定评估经验表现，并同时处理超高维预测变量与张量响应；在面部形状数据中检测到若干新遗传位点并确认部分已有发现。
- 阅读关注点
- 应核对选择一致性的具体假设与证明条件、阈值选取规则、模拟设定与对比方法、面部形状张量（2,342×7,160×3）的预处理与多重检验控制，以及新位点发现的验证方式。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理条件、模拟与实证的具体数值结果及方法优越性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
As data collecting technologies advance, data structures are getting more and more complex, from single vectors to multi-dimensional tensors. This article is motivated by a variable selection problem to detect important genes from an ultrahigh dimensional pool that are associated with human facial shape variations. We propose a data-driven trimmed feature screening method based on a tensor ridge regression model (TrimTenRidge) through setting thresholds on the tensor coefficients to perform a feature screening procedure. Unlike existing approaches, the TrimTenRidge does not require any sparse structures. In addition, it not only detects important predictors but also locates specific regions/components of the tensor response that are associated with each of the selected predictors. We prove the theoretical selection consistency and also assess its empirical performance through various simulation settings. The approach copes with ultra-high dimensional predictors and tensor responses simultaneously and contributes to the literature from theoretical, methodological, and five applicational aspects. We further apply the TrimTenRidge approach to genome-wide human facial shape data, from which the entire facial shapes form a $2,342\times 7,160\times 3$ tensor, and we successfully detect several novel genetic loci and also confirm some existing findings that are associated to facial shape.