Regression on manifolds: Estimation of the exterior derivative
流形上的回归：外微分估计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：摘要研究共线性下的通用回归与几何正则化，未明确涉及结构经济模型或其他所列方向。
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…
关注这篇论文的作者
流形上的回归：外微分估计
- 研究问题
- 解释变量共线或近共线时，如何处理回归系数的存在性、数值稳定性及解释困难，并给出具有几何意义的估计方法？
- 方法与思路
- 作者借助微分几何，将回归系数理解为函数外微分的估计，提出正则化方案，并说明可加入 lasso 型惩罚及扩展到高维情形。
- 材料陈述的贡献
- 摘要称，该正则化方法可以改善估计误差，并能较容易地加入 lasso 型正则化，且具有变量多于样本时的扩展。
- 阅读关注点
- 应核对流形结构如何设定或估计、外微分与回归系数的对应关系，以及误差改善所需条件和高维扩展的具体形式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；误差标准、比较基准与适用条件未说明，不能断言该方法普遍优于既有正则化方法。
原文摘要
Collinearity and near-collinearity of predictors cause difficulties when doing regression. In these cases, variable selection becomes untenable because of mathematical issues concerning the existence and numerical stability of the regression coefficients, and interpretation of the coefficients is ambiguous because gradients are not defined. Using a differential geometric interpretation, in which the regression coefficients are interpreted as estimates of the exterior derivative of a function, we develop a new method to do regression in the presence of collinearities. Our regularization scheme can improve estimation error, and it can be easily modified to include lasso-type regularization. These estimators also have simple extensions to the “large p, small n” context.