Feature Screening for Massive Data Analysis by Subsampling
通过子抽样进行海量数据分析的特征筛选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：摘要讨论内存受限下的通用高维特征筛选，航空数据只是应用示例，未明确涉及所列微观、宏观或金融专门方向。
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…
通过子抽样进行海量数据分析的特征筛选
- 研究问题
- 面对观测量巨大且特征维度极高的数据，如何在内存受限时完成变量筛选，并减轻子样本筛选统计量的偏误与计算负担？
- 方法与思路
- 作者重复抽取子样本，计算 R² 筛选指标及相关样本矩，再以简单平均、刀切去偏或矩聚合汇总，并比较随机与序贯抽样。
- 材料陈述的贡献
- 摘要称去偏与矩聚合可减少偏误、提高筛选准确性，序贯抽样更高效；文章讨论理论性质，并应用于含 3270 万条记录的航空数据。
- 阅读关注点
- 核对筛选指标与偏误校正的定义、两种抽样方案所需条件，以及子样本规模和重复次数如何影响内存占用与筛选误差。
- 阅读边界
- 摘要未说明特征与响应变量的类型、筛选保证的具体条件及计算节省幅度，不能据此判断不同高维相关结构下的筛选可靠性。
原文摘要
Modern statistical analysis often encounters massive datasets with ultrahigh-dimensional features. In this work, we develop a subsampling approach for feature screening with massive datasets. The approach is implemented by repeated subsampling of massive data and can be used for analyzing tasks with memory constraints. To conduct the procedure, we first calculate an R-squared screening measure (and related sample moments) based on subsamples. Second, we consider three methods to combine the local statistics. In addition to the simple average method, we design a jackknife debiased screening measure and an aggregated moment screening measure. Both approaches reduce the bias of the subsampling screening measure and therefore increase the accuracy of the feature screening. Last, we consider a novel sequential sampling method, that is more computationally efficient than the traditional random sampling method. The theoretical properties of the three screening measures under both sampling schemes are rigorously discussed. Finally, we illustrate the usefulness of the proposed method with an airline dataset containing 32.7 million records.