Robust nearest-neighbor methods for classifying high-dimensional data
高维数据分类的稳健最近邻方法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。
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：摘要讨论一般高维分类及重尾稳健性，未明确对应给定经济或金融细分领域。
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
高维数据分类的稳健最近邻方法
- 研究问题
- 高维分类中如何降低重尾分量的影响，在训练样本极少且分量相关或异质时，稳健化是否损失分类能力？
- 方法与思路
- 作者结合阈值与二值截断构造最近邻分类器，提出最低仅需每类一个观测向量的阈值规则，并分析理论和数值表现。
- 材料陈述的贡献
- 摘要称该分类器可保持常规方法的分类边界，且在每类一个训练样本的特定情形下可达到所述最优分类器的表现。
- 阅读关注点
- 应核对分类边界的渐近设定、信号与相关性条件、阈值选择规则，以及极小训练样本下性能等价的具体范围。
- 阅读边界
- OpenAlex 摘要版本未注明；同边界与最优表现均有待核对条件，不能据此声称所有重尾数据上都不损失效率。
原文摘要
We suggest a robust nearest-neighbor approach to classifying high-dimensional data. The method enhances sensitivity by employing a threshold and truncates to a sequence of zeros and ones in order to reduce the deleterious impact of heavy-tailed data. Empirical rules are suggested for choosing the threshold. They require the bare minimum of data; only one data vector is needed from each population. Theoretical and numerical aspects of performance are explored, paying particular attention to the impacts of correlation and heterogeneity among data components. On the theoretical side, it is shown that our truncated, thresholded, nearest-neighbor classifier enjoys the same classification boundary as more conventional, nonrobust approaches, which require finite moments in order to achieve good performance. In particular, the greater robustness of our approach does not come at the price of reduced effectiveness. Moreover, when both training sample sizes equal 1, our new method can have performance equal to that of optimal classifiers that require independent and identically distributed data with known marginal distributions; yet, our classifier does not itself need conditions of this type.