Density-sensitive semisupervised inference
密度敏感的半监督推断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：摘要涉及一般半监督学习与极小极大理论，没有所列经济计量细分的直接证据。
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…
密度敏感的半监督推断
- 研究问题
- 如何利用有标签和无标签数据进行预测，并在协变量边际分布与回归函数的联系强弱未知时分析和调整半监督方法？
- 方法与思路
- 作者建立极小极大分析框架，研究依赖协变量分布的敏感度量，用参数控制半监督假设强度，并根据数据适应该参数。
- 材料陈述的贡献
- 摘要提出半监督方法的理论分析框架和假设强度自适应思路，重点研究密度敏感度量，但未列出具体风险界或收敛率。
- 阅读关注点
- 应核对密度敏感度量的定义、连接边际分布与回归函数的假设，以及自适应参数的选择机制和无标签数据作用。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明风险界、样本量关系或算法细节，不能断言无标签数据总能改善预测。
原文摘要
Semisupervised methods are techniques for using labeled data $(X_{1},Y_{1}),\ldots,(X_{n},Y_{n})$ together with unlabeled data $X_{n+1},\ldots,X_{N}$ to make predictions. These methods invoke some assumptions that link the marginal distribution $P_{X}$ of $X$ to the regression function $f(x)$. For example, it is common to assume that $f$ is very smooth over high density regions of $P_{X}$. Many of the methods are ad-hoc and have been shown to work in specific examples but are lacking a theoretical foundation. We provide a minimax framework for analyzing semisupervised methods. In particular, we study methods based on metrics that are sensitive to the distribution $P_{X}$. Our model includes a parameter $\alpha$ that controls the strength of the semisupervised assumption. We then use the data to adapt to $\alpha$.