Optimal Discriminant Analysis in High-Dimensional Latent Factor Models
高维潜在因子模型中的最优判别分析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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究通用高维分类及潜在因子结构，没有宏观或金融因子应用依据，也未涉及指定的经济学离散选择模型。
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
高维潜在因子模型中的最优判别分析
- 研究问题
- 高维分类先投影再判别的两步程序，如何由低维潜在结构获得理论依据，并选择投影及保留的主成分数量？
- 方法与思路
- 作者建立潜变量模型，提出数据驱动选择主成分的高效分类器，并为任意投影的两步分类程序构建一般风险分析框架。
- 材料陈述的贡献
- 摘要称，所提分类器的超额风险收敛速度在对数因子内达到 minimax 最优，允许潜在维度增长，并给出模拟与实证比较。
- 阅读关注点
- 应核对潜变量和分类边界的设定、主成分筛选准则，以及风险界、minimax 下界与高维样本比例的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未给出具体收敛率、模型条件或实证数据细节，不能认定普遍分类优势。
原文摘要
In high-dimensional classification problems, a commonly used approach is to first project the high-dimensional features into a lower dimensional space, and base the classification on the resulting lower dimensional projections. In this paper, we formulate a latent-variable model with a hidden low-dimensional structure to justify this two-step procedure and to guide which projection to choose. We propose a computationally efficient classifier that takes certain principal components (PCs) of the observed features as projections, with the number of retained PCs selected in a data-driven way. A general theory is established for analyzing such two-step classifiers based on any projections. We derive explicit rates of convergence of the excess risk of the proposed PC-based classifier. The obtained rates are further shown to be optimal up to logarithmic factors in the minimax sense. Our theory allows the lower-dimension to grow with the sample size and is also valid even when the feature dimension (greatly) exceeds the sample size. Extensive simulations corroborate our theoretical findings. The proposed method also performs favorably relative to other existing discriminant methods on three real data examples.