Interaction pursuit in high-dimensional multi-response regression via distance correlation
基于距离相关的高维多响应回归交互项筛选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：摘要属于通用高维回归与变量选择，未明确涉及因果推断或金融收益预测。
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…
基于距离相关的高维多响应回归交互项筛选
- 研究问题
- 当响应变量与协变量都具有高维特征时，如何有效识别重要交互项，并避免依赖交互项必须伴随主效应的限制？
- 方法与思路
- 作者提出 IPDC 两阶段方法，先对变换后的变量使用距离相关进行特征筛查，再通过特征选择识别主效应和交互项。
- 材料陈述的贡献
- 摘要称在正则条件下可获得必然筛选、支撑集并集恢复及预测和估计的 oracle 不等式，并以模拟和实证展示表现。
- 阅读关注点
- 核对变量变换、筛查阈值与第二阶段算法，以及响应维度增长、信号强度和放宽遗传性限制所需的条件。
- 阅读边界
- 版本未注明的索引摘要未列出正则条件、计算复杂度或比较数值，不能认定该方法对任意高维数据均有效。
原文摘要
Feature interactions can contribute to a large proportion of variation in many prediction models. In the era of big data, the coexistence of high dimensionality in both responses and covariates poses unprecedented challenges in identifying important interactions. In this paper, we suggest a two-stage interaction identification method, called the interaction pursuit via distance correlation (IPDC), in the setting of high-dimensional multi-response interaction models that exploits feature screening applied to transformed variables with distance correlation followed by feature selection. Such a procedure is computationally efficient, generally applicable beyond the heredity assumption, and effective even when the number of responses diverges with the sample size. Under mild regularity conditions, we show that this method enjoys nice theoretical properties including the sure screening property, support union recovery and oracle inequalities in prediction and estimation for both interactions and main effects. The advantages of our method are supported by several simulation studies and real data analysis.