The Kolmogorov filter for variable screening in high-dimensional binary classification
高维二元分类变量筛选的 Kolmogorov 过滤器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的变量筛选，未包含经济选择行为、处理效应或其他所列领域的明确目标，不能仅因二元结果归类。
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…
高维二元分类变量筛选的 Kolmogorov 过滤器
- 研究问题
- 在高维二元分类中，如何减少变量筛选对参数模型设定的依赖，并在较弱条件下确保筛选结果保留相关变量？
- 方法与思路
- 作者利用 Kolmogorov–Smirnov 统计量构造新的变量筛选方法，称为 Kolmogorov 过滤器，并结合理论证明与模拟研究。
- 材料陈述的贡献
- 摘要称该过滤器在显著放宽的模型假设下具有可靠筛选性质，从而提供一种绕开既有方法强参数建模假设的方案。
- 阅读关注点
- 应核对可靠筛选性质中目标变量集合的定义、放宽的是哪些假设，以及筛选阈值、信号强度和维度增长条件之间的关系。
- 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；弱化假设不等于无需假设，摘要未提供条件或模拟数值。
原文摘要
Variable screening techniques have been proposed to mitigate the impact of high dimensionality in classification problems, including t-test marginal screening (Fan & Fan, 2008) and maximum marginal likelihood screening (Fan & Song, 2010). However, these methods rely on strong modelling assumptions that are easily violated in real applications. To circumvent the parametric modelling assumptions, we propose a new variable screening technique for binary classification based on the Kolmogorov–Smirnov statistic. We prove that this so-called Kolmogorov filter enjoys the sure screening property under much weakened model assumptions. We supplement our theoretical study by a simulation study.