Weighted Distance Weighted Discrimination and Its Asymptotic Properties
加权距离加权判别及其渐近性质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：摘要讨论通用高维分类及不平衡样本，未涉及经济主体的离散选择模型或金融收益预测，所列细分证据不足。
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…
加权距离加权判别及其渐近性质
- 研究问题
- 在分类成本不等、抽样偏差或类别不平衡时，如何为距离加权判别设计权重，并分析其高维分类性质？
- 方法与思路
- 作者提出多种非标准分类问题的最优加权方案与自适应权重，研究高维小样本渐近行为及 Fisher 一致性。
- 材料陈述的贡献
- 摘要称加权方法可改善非平衡分类，自适应方案在部分情形优于非自适应方案，并以模拟和两个真实例子评估。
- 阅读关注点
- 应核对最优权重对应的风险标准、成本与抽样偏差的信息要求，以及自适应优势和一致性结论的适用条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；最优性标准和优势情形未详述，不能认定自适应加权在所有问题上更好。
原文摘要
While Distance Weighted Discrimination (DWD) is an appealing approach to classification in high dimensions, it was designed for balanced datasets. In the case of unequal costs, biased sampling, or unbalanced data, there are major improvements available, using appropriately weighted versions of DWD (wDWD). A major contribution of this paper is the development of optimal weighting schemes for various nonstandard classification problems. In addition, we discuss several alternative criteria and propose an adaptive weighting scheme (awDWD) and demonstrate its advantages over nonadaptive weighting schemes under some situations. The second major contribution is a theoretical study of weighted DWD. Both high-dimensional low sample-size asymptotics and Fisher consistency of DWD are studied. The performance of weighted DWD is evaluated using simulated examples and two real data examples. The theoretical results are also confirmed by simulations.