The Sparse MLE for Ultrahigh-Dimensional Feature Screening
用于超高维特征筛选的稀疏最大似然估计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：摘要聚焦通用高维广义线性模型筛选，未指向所列因果、预测或其他领域细分。
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
用于超高维特征筛选的稀疏最大似然估计
- 研究问题
- 当特征数远大于样本量、逐变量筛选可能忽略联合作用时，如何在进一步建模前有效保留相关特征？
- 方法与思路
- 作者以稀疏性约束下的最大似然估计开展筛选，使多个特征的联合效应进入筛选过程，并研究广义线性模型情形。
- 材料陈述的贡献
- 摘要称该方法在超高维广义线性模型中具有筛选一致性，模拟支持其相对边际筛选方法可能改善表现的判断。
- 阅读关注点
- 应核对稀疏约束与优化算法、信号强度和维数增长条件，以及联合筛选在不同相关结构下的计算成本和表现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体筛选一致性条件和优化细节未说明，潜在优势并非普遍支配结论。
原文摘要
Feature selection is fundamental for modeling the high dimensional data, where the number of features can be huge and much larger than the sample size. Since the feature space is so large, many traditional procedures become numerically infeasible. It is hence essential to first remove most apparently non-influential features before any elaborative analysis. Recently, several procedures have been developed for this purpose, which include the sure-independent-screening (SIS) as a widely-used technique. To gain the computational efficiency, the SIS screens features based on their individual predicting power. In this paper, we propose a new screening method via the sparsity-restricted maximum likelihood estimator (SMLE). The new method naturally takes the joint effects of features in the screening process, which gives itself an edge to potentially outperform the existing methods. This conjecture is further supported by the simulation studies under a number of modeling settings. We show that the proposed method is screening consistent in the context of ultra-high-dimensional generalized linear models.