Fast and Scalable Cellwise-Robust Ensembles for High-Dimensional Data
面向高维数据的快速可扩展逐单元稳健集成方法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：摘要聚焦高维变量选择与稳健集成算法，属于统计方法与计算方向，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等主题，故不选择任何细分。
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…
面向高维数据的快速可扩展逐单元稳健集成方法
- 研究问题
- 摘要关注高维数据中变量选择与集成建模在逐单元污染（cellwise contamination）下的稳健性问题：单个数据矩阵单元偏离多元结构却未必使整行成为离群点，这类污染会扩散并破坏变量选择与集成方法，包括针对整行污染设计的稳健方法。
- 方法与思路
- 作者提出 FSCRE 算法，在稳健相关框架下采用竞争性的提议者—仲裁者架构，将预测变量动态划分为互不重叠的子模型，以构建可扩展的逐单元稳健集成。摘要称通过大量模拟与一个生物信息学应用进行评估。
- 材料陈述的贡献
- 摘要称该工作提供了一个统一框架，把逐单元稳健估计与高性能集成学习相连接，并在多种污染情形下于变量选择的精确率、召回率和预测精度上表现有竞争力，同时在高维设定下保持较高计算效率；摘要称实现已发布于 CRAN。
- 阅读关注点
- 阅读全文时应核对：逐单元污染的具体生成机制与模拟设计；提议者—仲裁者架构的划分规则与调参方式；稳健相关框架的识别条件与理论保证；与哪些方法在何种指标上比较；生物信息学应用的数据与评价流程；计算效率的衡量方式与规模。
- 阅读边界
- 仅凭摘要无法判断理论性质、假设条件、模拟规模与真实数据结论的稳健性，也无法核实所声称的竞争性表现与效率；摘要未说明算法细节、超参数选择与比较基准。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
Variable selection and ensemble methods are central to high-dimensional modelling, enabling the identification of relevant predictors and the construction of stable predictive signals through aggregation across multiple models. However, in practice, high-dimensional data are often affected by cellwise contamination, in which individual cells of the data matrix deviate from the underlying multivariate structure without necessarily making the corresponding observation outlying. This type of contamination can easily propagate throughout many observations, compromising variable selection procedures and ensemble methods, including robust methods designed for contamination affecting entire observations (casewise contamination). To address this limitation, we propose the Fast and Scalable Cellwise-Robust Ensemble (FSCRE) algorithm. FSCRE dynamically partitions predictors into disjoint sub-models using a competitive proposer-arbiter architecture operating in a robust correlation framework. Through extensive simulations and a bioinformatics application, we demonstrate FSCRE's competitive performance in variable selection precision, recall, and predictive accuracy across various contamination scenarios, all while maintaining high computational efficiency in high-dimensional settings. This work provides a unified framework connecting cellwise-robust estimation with high-performance ensemble learning, with an implementation available on CRAN.