Interpolating discriminant functions in high-dimensional Gaussian latent mixtures
高维高斯潜在混合模型中的插值判别函数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：摘要研究一般高维二分类，潜在结构本身不足以归入宏观或金融因子模型。
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
高维高斯潜在混合模型中的插值判别函数
- 研究问题
- 在具有低维高斯潜在混合结构且噪声不消失的高维二分类中，插值分类器能否准确估计分离方向及截距？
- 方法与思路
- 作者以广义最小二乘估计最优分离超平面的方向，并利用独立留出样本修正直接代入法不能一致估计的截距。
- 材料陈述的贡献
- 摘要称，修正后的方法在许多情形下达到极小极大最优；其训练数据插值性质可以保留，但依赖标签编码方式。
- 阅读关注点
- 应核对潜在混合与噪声假设、方向和截距的一致性区别、留出样本规模要求，以及标签编码如何影响插值性质。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断极小极大最优覆盖的具体情形，也不能将结论推广到任意高维分类分布。
原文摘要
Abstract This paper considers binary classification of high-dimensional features under a postulated model with a low-dimensional latent Gaussian mixture structure and nonvanishing noise. A generalized least-squares estimator is used to estimate the direction of the optimal separating hyperplane. The estimated hyperplane is shown to interpolate on the training data. While the direction vector can be consistently estimated, as could be expected from recent results in linear regression, a naive plug-in estimate fails to consistently estimate the intercept. A simple correction, which requires an independent hold-out sample, renders the procedure minimax optimal in many scenarios. The interpolation property of the latter procedure can be retained, but surprisingly depends on the way the labels are encoded.