High-dimensional classification via nonparametric empirical Bayes and maximum likelihood inference
基于非参数经验贝叶斯与极大似然推断的高维分类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：摘要聚焦高维分类、经验贝叶斯与基因表达应用，未明确研究所列经济计量细分方向，故不作领域延伸。
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
基于非参数经验贝叶斯与极大似然推断的高维分类
- 研究问题
- 在高维分类中，如何从训练数据非参数估计参数先验，以逼近假设层级模型下的贝叶斯分类器并控制误分类表现？
- 方法与思路
- 作者采用先验分布的非参数极大似然估计，并通过适合大规模问题的凸优化框架近似计算，形成经验贝叶斯分类器。
- 材料陈述的贡献
- 摘要称，近似估计的精度理论有助于控制其中一种分类器的误分类率；模拟优于若干现有方法，并用于癌症微阵列分类。
- 阅读关注点
- 应核对层级模型及高维条件、凸优化近似误差如何传递到误分类率，以及参数固定时的适用理由和比较方法的设置。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；误分类界、比较数值及数据划分方式未说明，不能据此认定该方法在一般分类任务中更优。
原文摘要
We propose new nonparametric empirical Bayes methods for high-dimensional classification. Our classifiers are designed to approximate the Bayes classifier in a hypothesized hierarchical model, where the prior distributions for the model parameters are estimated nonparametrically from the training data. As is common with nonparametric empirical Bayes, the proposed classifiers are effective in high-dimensional settings even when the underlying model parameters are in fact nonrandom. We use nonparametric maximum likelihood estimates of the prior distributions, following the elegant approach studied by Kiefer & Wolfowitz in the 1950s. However, our implementation is based on a recent convex optimization framework for approximating these estimates that is well-suited for large-scale problems. We derive new theoretical results on the accuracy of the approximate estimator, which help control the misclassification rate of one of our classifiers. We show that our methods outperform several existing methods in simulations and perform well when gene expression microarray data is used to classify cancer patients.