Inference with non-differentiable surrogate loss in a general high-dimensional classification framework
一般高维分类框架下不可微替代损失的推断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。
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：摘要讨论高维分类中替代损失的检验与区间估计，属于方法论统计推断，未涉及所给微观、宏观或金融领域细分的具体经济问题，故不选择任何领域细分。
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…
一般高维分类框架下不可微替代损失的推断
- 研究问题
- 摘要关注高维线性分类决策规则中，当替代损失不可微时，如何对估计出的决策规则进行假设检验与区间估计，以识别其驱动因素。
- 方法与思路
- 作者提出核平滑的去相关得分（kernel-smoothed decorrelated score），用核近似平滑分段线性替代损失在不连续点附近的梯度，并近似其非正则 Hessian；在含冗余参数时提出交叉拟合版本，并建立高维下该得分及其交叉拟合版本的极限分布。
- 材料陈述的贡献
- 摘要称提出了一种针对分段线性替代损失（梯度不连续、Hessian 非正则）的检验与区间估计方法，并给出核平滑去相关得分及交叉拟合版本在高维设定下的极限分布，仿真与真实数据分析用于展示其有效性与优越性。
- 阅读关注点
- 应核对核平滑与去相关得分的具体构造、非正则 Hessian 的处理条件、高维极限分布所需的识别与正则性假设、交叉拟合的实现细节，以及仿真与实证所比较的基准方法。
- 阅读边界
- 仅凭摘要无法判断假设是否成立、极限分布推导是否正确、仿真与实证是否支持“优越性”的表述；摘要未说明具体数据、样本量、数值结果与比较基准。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
Penalized empirical risk minimization with a surrogate loss function is often used to learn a high-dimensional linear decision rule in classification problems. Although much of the literature focus on the generalization error, there is a lack of inference procedures for identifying the driving factors of the estimated decision rule, especially when the surrogate loss is non-differentiable. We propose a kernel-smoothed decorrelated score to construct hypothesis tests and interval estimators for a linear decision rule estimated using a piece-wise linear surrogate loss, which has a discontinuous gradient and non-regular Hessian. Specifically, we adopt kernel approximations to smooth the discontinuous gradient near discontinuity points and approximate the non-regular Hessian of the surrogate loss. In applications where additional nuisance parameters are involved, we propose a novel cross-fitted version to accommodate flexible nuisance estimates and kernel approximations. We establish the limiting distribution of the kernel-smoothed decorrelated score and its cross-fitted version in a high-dimensional setup. Simulation and real data analysis are conducted to demonstrate the validity and the superiority of the proposed method.