Feature Augmentation via Nonparametrics and Selection (FANS) in High Dimensional Classification
高维分类中的非参数特征增强与选择：FANSAI 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：摘要研究一般二分类与特征构造，应用于邮件和基因数据；使用 logistic 回归并不足以归入经济离散选择。
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…
高维分类中的非参数特征增强与选择：FANS
- 研究问题
- 在高维分类中，如何保留非线性判别能力，同时控制模型复杂度，避免直接估计高维联合密度带来的困难？
- 方法与思路
- FANS 用边际密度比估计变换或增强原始特征，再进行惩罚 logistic 回归；作者以朴素贝叶斯推广解释其模型构造。
- 材料陈述的贡献
- 摘要称方法兼具局部灵活性与整体简洁性，建立风险界，并通过垃圾邮件、基因表达数据和并行算法展示预测及计算表现。
- 阅读关注点
- 应核对边际密度比估计误差如何影响分类风险、联合密度近似的条件，以及数据划分、调参和并行算法的具体实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审未核实。摘要未给出风险界条件或性能数值，解释性与计算优势也需结合比较设置核查。
原文摘要
We propose a high dimensional classification method that involves nonparametric feature augmentation. Knowing that marginal density ratios are the most powerful univariate classifiers, we use the ratio estimates to transform the original feature measurements. Subsequently, penalized logistic regression is invoked, taking as input the newly transformed or augmented features. This procedure trains models equipped with local complexity and global simplicity, thereby avoiding the curse of dimensionality while creating a flexible nonlinear decision boundary. The resulting method is called Feature Augmentation via Nonparametrics and Selection (FANS). We motivate FANS by generalizing the Naive Bayes model, writing the log ratio of joint densities as a linear combination of those of marginal densities. It is related to generalized additive models, but has better interpretability and computability. Risk bounds are developed for FANS. In numerical analysis, FANS is compared with competing methods, so as to provide a guideline on its best application domain. Real data analysis demonstrates that FANS performs very competitively on benchmark email spam and gene expression data sets. Moreover, FANS is implemented by an extremely fast algorithm through parallel computing.