High Dimensional Classification through $\ell_0$-Penalized Empirical Risk Minimization
通过 ℓ₀ 惩罚经验风险最小化进行高维分类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：摘要研究一般高维二元分类，未涉及经济主体的离散选择机制或所列其他领域的具体对象，因此暂不分类。
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
通过 ℓ₀ 惩罚经验风险最小化进行高维分类
- 研究问题
- 研究高维二元分类中，如何同时控制误分类风险与所选特征数量，并使估计稀疏度接近真实稀疏度。
- 方法与思路
- 作者在经验误分类风险中加入所选特征数量的惩罚，推导非渐近概率界，并用混合整数线性规划实现分类程序。
- 材料陈述的贡献
- 摘要称，该方法给出估计稀疏度和超额误分类风险的概率界，获得风险收敛率，并以蒙特卡洛实验展示数值表现。
- 阅读关注点
- 应核对稀疏度接近真实值所需的条件、惩罚参数选择、风险界的适用范围，以及整数规划的计算规模与求解误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体假设、收敛率表达式及模拟比较结果。
原文摘要
We consider a high dimensional binary classification problem and construct a classification procedure by minimizing the empirical misclassification risk with a penalty on the number of selected features. We derive non-asymptotic probability bounds on the estimated sparsity as well as on the excess misclassification risk. In particular, we show that our method yields a sparse solution whose l0-norm can be arbitrarily close to true sparsity with high probability and obtain the rates of convergence for the excess misclassification risk. The proposed procedure is implemented via the method of mixed integer linear programming. Its numerical performance is illustrated in Monte Carlo experiments.