Covariance-Regularized Regression and Classification for high Dimensional Problems
高维问题中的协方差正则化回归与分类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。
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：摘要讨论通用高维预测及基因表达应用，未提供对应所列计量领域细分的充分依据。
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
高维问题中的协方差正则化回归与分类
- 研究问题
- 在高维预测中，如何利用特征逆协方差矩阵的收缩估计构造回归与分类方法，并统一若干常用正则化方法？
- 方法与思路
- 作者在多元正态模型下以惩罚似然估计逆协方差矩阵，再估计回归系数，并扩展至广义线性模型和线性判别分析。
- 材料陈述的贡献
- 摘要称该框架包含岭回归、lasso和弹性网等特例，并展示某些新形式在部分情境中预测更好，另有基因表达应用。
- 阅读关注点
- 应核对各正则化方法成为特例的条件、惩罚与调参方式，以及预测比较的设计、评价指标和分类及生存结局处理。
- 阅读边界
- 仅据所给Crossref摘要，无法判断优势适用范围、正态模型偏离的影响及比较公平性；摘要未给出具体性能数值。
原文摘要
Summary We propose covariance-regularized regression, a family of methods for prediction in high dimensional settings that uses a shrunken estimate of the inverse covariance matrix of the features to achieve superior prediction. An estimate of the inverse covariance matrix is obtained by maximizing the log-likelihood of the data, under a multivariate normal model, subject to a penalty; it is then used to estimate coefficients for the regression of the response onto the features. We show that ridge regression, the lasso and the elastic net are special cases of covariance-regularized regression, and we demonstrate that certain previously unexplored forms of covariance-regularized regression can outperform existing methods in a range of situations. The covariance-regularized regression framework is extended to generalized linear models and linear discriminant analysis, and is used to analyse gene expression data sets with multiple class and survival outcomes.