Latent Supervised Learning
潜在监督学习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：摘要研究潜在标签下的通用分类模型，未直接涉及所列经济计量领域。
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
潜在监督学习
- 研究问题
- 当训练标签只是未观测真实类别的替代指标时，如何估计协变量空间中的分类超平面及替代变量的混合分布参数？
- 方法与思路
- 所给摘要研究两成分高斯混合替代变量，其成分归属由协变量超平面决定，并提出数据驱动的筛最大似然估计。
- 材料陈述的贡献
- 摘要称超平面估计量具有一致性，并可进一步估计高斯混合参数；模拟与经验数据展示了较高的分类准确性。
- 阅读关注点
- 应核对替代标签与真实类别之间的模型关系、超平面的可识别性、筛空间选择，以及一致性结论的具体条件。
- 阅读边界
- 所给 OpenAlex 索引摘要开头不完整且版本未注明；未提供识别条件或准确率数值，不能补全缺失内容或推断其他版本。
原文摘要
training labels which serve as surrogates for the unobserved class labels. A specific model is investigated where the surrogate variable arises from a two-component Gaussian mixture with unknown means and variances, and the component membership is determined by a hyperplane in the covariate space. The estimation of the separating hyperplane and the Gaussian mixture parameters forms what shall be referred to as the change-line classification problem. A data-driven sieve maximum likelihood estimator for the hyperplane is proposed, which in turn can be used to estimate the parameters of the Gaussian mixture. The estimator is shown to be consistent. Simulations as well as empirical data show the estimator has high classification accuracy.