Variable Selection for Support Vector Machines in Moderately High Dimensions
中等高维支持向量机的变量选择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：摘要研究通用二元分类与变量选择，未涉及经济主体选择行为或所列预测对象。
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
中等高维支持向量机的变量选择
- 研究问题
- 当预测变量数随样本量增长且存在冗余变量时，非凸惩罚支持向量机能否实现可靠选择，并避免局部极小解不唯一造成的困难？
- 方法与思路
- 作者为一类非凸惩罚 SVM 建立理论，分析具有 oracle 性质的局部极小解，并研究局部线性近似算法在适当初值下的收敛。
- 材料陈述的贡献
- 摘要称，超高维下存在具有 oracle 性质的局部解，适当初值可使算法收敛至 oracle 估计量，且中等高维下初值条件自动成立。
- 阅读关注点
- 应核对中等高维与超高维的增长定义、惩罚及信号条件、oracle 性质的具体内容，以及初始估计量条件的验证方式。
- 阅读边界
- 依据所给 Crossref 摘要；维度阈值、具体正则条件和数值结果未说明，不能将局部解存在解释为任意初值均成功。
原文摘要
Summary The support vector machine (SVM) is a powerful binary classification tool with high accuracy and great flexibility. It has achieved great success, but its performance can be seriously impaired if many redundant covariates are included. Some efforts have been devoted to studying variable selection for SVMs, but asymptotic properties, such as variable selection consistency, are largely unknown when the number of predictors diverges to ∞. We establish a unified theory for a general class of non-convex penalized SVMs. We first prove that, in ultrahigh dimensions, there is one local minimizer to the objective function of non-convex penalized SVMs having the desired oracle property. We further address the problem of non-unique local minimizers by showing that the local linear approximation algorithm is guaranteed to converge to the oracle estimator even in the ultrahigh dimensional setting if an appropriate initial estimator is available. This condition on the initial estimator is verified to be automatically valid as long as the dimensions are moderately high. Numerical examples provide supportive evidence.