MAPLE: Mapper Based Localized Prediction with Data Driven Cover Selection for High dimensional Data
MAPLE：基于 Mapper 的局部预测与数据驱动覆盖选择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：摘要聚焦拓扑数据分析驱动的非参数局部预测方法及其在生物医学高维数据中的应用，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列或金融计量等方向，故不选择任何细分。
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…
MAPLE：基于 Mapper 的局部预测与数据驱动覆盖选择
- 研究问题
- 摘要称，高维生物医学数据常呈非线性、异质与流形结构，全局参数模型与树模型难以应对；研究问题是如何构造适应预测变量空间内在几何的局部化条件类别概率估计。
- 方法与思路
- 作者提出 MAPLE，一种基于拓扑数据分析的局部预测框架，以非参数条件类别概率估计量形式给出；邻域由数据自适应 Mapper 图的连通性定义，并基于偏差-方差权衡提出数据驱动的覆盖选择程序，同时引入基于置换的变量重要性度量。
- 材料陈述的贡献
- 摘要称该框架可处理二分类、名义与有序结果，覆盖选择具有最优渐近区间宽度与重叠尺度，并在标准正则条件下建立逐点一致性与贝叶斯风险一致性；模拟中与多项回归、有序回归和随机森林相比表现相当或更优，异质与高噪声情形增益最大。
- 阅读关注点
- 应核对 Mapper 图与覆盖选择的具体构造、偏差-方差权衡的渐近条件与正则性假设、置换变量重要性的有效性依据，以及模拟设计与 PPMI、TCGA 应用中的评估方式与可复现细节。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；不能据此声称已通过同行评审或期刊接收，理论保证、模拟优势与实证表现均未经独立验证，摘要未说明具体样本、效应量或实现细节。
原文摘要
High dimensional biomedical data often exhibit nonlinear, heterogeneous, and manifold driven structures that challenge global parametric and tree-based models. We propose MAPLE (mapper-based Adaptive Prediction via Local Estimation), a localized prediction framework grounded in topological data analysis. The method is formulated as a nonparametric estimator of conditional class probabilities that adapts to the intrinsic geometry of the predictor space. Neighborhoods are defined through connectivity in a data-adaptive Mapper graph, enabling localized averaging within graph induced regions that capture complex structures such as branching and multi-scale heterogeneity. We introduce a statistically principled, data driven procedure for cover selection based on a bias-variance trade off, yielding optimal asymptotic scaling for interval widths and overlaps. The framework accommodates binary, nominal, and ordinal outcomes and incorporates a permutation-based variable importance measure to quantify covariate contributions in prediction. We establish theoretical guarantees, including pointwise consistency and Bayes risk consistency under standard regularity conditions. Simulations show that MAPLE consistently outperforms or matches multinomial regression, ordinal regression, and random forest, with the largest gains observed under heterogeneous and high-noise settings. Applications to Parkinson's disease progression (PPMI) and glioma classification (TCGA RNA sequencing) demonstrate strong predictive accuracy and interpretable, topology-aware summaries of underlying data structure.