An Outer-Product-of-Gradient Approach to Dimension Reduction and its Application to Classification in High Dimensional Space
梯度外积降维方法及其在高维分类中的应用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：摘要研究通用非参数降维与分类，没有明确对应所列经济计量细分方向。
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
梯度外积降维方法及其在高维分类中的应用
- 研究问题
- 充分降维如何在高维数据中有效支持非参数函数估计和分类，并通过低维子空间减少分类任务的复杂性？
- 方法与思路
- 作者先构造高维局部线性平滑器，再形成高维梯度外积方法 HOPG，并汇总经随机投影和 HOPG 连续降维的分类器。
- 材料陈述的贡献
- 摘要称建立 HOPG 与集成分类器的渐近结果，并在模拟和真实数据分析中展示相对所比较方法的性能优势。
- 阅读关注点
- 应核对充分降维的目标子空间、局部平滑在高维下的条件，以及随机投影、子空间维度和集成规模的选择方法。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；渐近条件、基准设置和性能数值未提供，不能将所述优势泛化或推断刊本变化。
原文摘要
Sufficient dimension reduction (SDR) has progressed steadily. However, its ability to improve general function estimation or classification has not been well received, especially for high-dimensional data. In this article, we first devise a local linear smoother for high dimensional nonparametric regression and then utilise it in the outer-product-of-gradient (OPG) approach of SDR. We call the method high-dimensional OPG (HOPG). To apply SDR to classification in high-dimensional data, we propose an ensemble classifier by aggregating results of classifiers that are built on subspaces reduced by the random projection and HOPG consecutively from the data. Asymptotic results for both HOPG and the classifier are established. Superior performance over the existing methods is demonstrated in simulations and real data analyses. Supplementary materials for this article are available online.