Conditional quantile screening in ultrahigh-dimensional heterogeneous data
超高维异质数据的条件分位数筛选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：摘要明确以响应的条件分位数为特征筛选目标，直接对应分位数与分布方向。
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…
超高维异质数据的条件分位数筛选
- 研究问题
- 面对超高维且具有异质性的数据，如何筛选与响应条件分位数有关的特征，并使筛选方法能够处理响应被删失的情形？
- 方法与思路
- 作者提出条件分位数筛选，通过向右重新分配概率质量的加权方案处理删失，并研究完整及删失响应下的确定筛选性质。
- 材料陈述的贡献
- 摘要称方法对响应的单调变换不变，所需条件较替代方法弱，并建立两类响应下的筛选保证及有限样本模拟比较。
- 阅读关注点
- 应核对筛选统计量与目标分位数的关系、删失加权所需条件、信号强度及维度增长限制，以及弱条件比较的具体对象。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列出筛选保证的具体条件，也不足以判断各类删失下的适用性。
原文摘要
To accommodate the heterogeneity that is often present in ultrahigh-dimensional data, we propose a conditional quantile screening method, which enables us to select features that contribute to the conditional quantile of the response given the covariates. The method can naturally handle censored data by incorporating a weighting scheme through redistribution of the mass to the right; moreover, it is invariant to monotone transformation of the response and requires substantially weaker conditions than do alternative methods. We establish sure independent screening properties for both the complete and the censored response cases. We also conduct simulations to evaluate the finite-sample performance of the proposed method, and compare it with existing approaches.