Nearest neighbor classification with dependent training sequences
依赖训练序列下的最近邻分类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：摘要研究一般依赖样本的分类风险，出现隐马尔可夫模型不足以确定宏观时间序列方向。
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…
依赖训练序列下的最近邻分类
- 研究问题
- 当训练样本具有依赖性而非独立同分布时，最近邻分类的渐近风险是否改变，连续与离散特征又有何差别？
- 方法与思路
- 作者把最近邻分类风险分析推广到包含隐马尔可夫模型的一类依赖模型，并分别讨论具有密度和离散分布的情形。
- 材料陈述的贡献
- 摘要称连续特征下渐近风险表达与独立情形相同，而离散分布下风险取决于等距最近邻的平局处理规则。
- 阅读关注点
- 应核对允许的依赖结构、训练与待分类观测的关系、连续密度条件，以及离散情形中平局规则如何进入风险表达。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；未说明依赖模型的具体条件、收敛速率或有限样本分类表现。
原文摘要
The asymptotic classification risk for nearest neighbor procedures is well understood in the case of i.i.d. training sequences. In this article, we generalize these results to a class of dependent models including hidden Markov models. In the case where the observed patterns have Lebesgue densities, the asymptotic risk takes the same expression as in the i.i.d. case. For discrete distributions, we show that the asymptotic risk depends on the rule used for breaking ties of equal distances.