Multicollinearity-agnostic feature screening for non-Euclidean responses: a factor adjusted approach
非欧几里得响应的抗多重共线性特征筛选：因子调整方法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：摘要中的因子用于通用特征筛选，分布值响应也未涉及经济分布效应，缺乏宏观或金融因子及其他所列方向的依据。
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…
非欧几里得响应的抗多重共线性特征筛选：因子调整方法
- 研究问题
- 当超高维预测变量共享潜在因子、导致边际信号被多重共线性掩盖时，如何为非欧几里得响应可靠筛选相关特征？
- 方法与思路
- 作者先恢复预测变量中的共同因子，再用特征特有成分在共同因子之外增加的 Fréchet 决定系数构造筛选指标。
- 材料陈述的贡献
- 摘要称建立可行筛选指标的一致逼近速率、可靠筛选与排序性质，并用数值实验及分布值响应数据展示实际表现。
- 阅读关注点
- 应核对响应空间和距离的要求、因子恢复条件、最小信号强度、筛选阈值，以及理论对高度相关特征的适用范围。
- 阅读边界
- 依据 arXiv 第2版预印本摘要，不能声称已同行评审或期刊接收；摘要未展开正则条件，也不能据标题认定完全不受共线性影响。
原文摘要
In high-dimensional settings, multicollinearity is a pervasive issue that can substantially impair the performance of feature screening methods based on marginal Fréchet regression. Feature screening for non-Euclidean responses becomes unreliable when ultrahigh-dimensional predictors suffer from multicollinearity, because feature-specific signals may be masked by shared latent factors. To mitigate this effect, we propose a Factor adjusted Fréchet sure independence screening procedure. The method first recovers latent common factors from the predictors and then evaluates each feature by the incremental Fréchet coefficient of determination contributed by its idiosyncratic component beyond the common factors. Under regularity conditions, we establish uniform approximation rates for the feasible screening utilities and prove the sure screening and sure ranking properties. Extensive numerical experiments provide compelling empirical support for the validity and effectiveness of our approach, particularly in scenarios with highly correlated covariates. We further illustrate the practical performance of our method through two representative non-Euclidean datasets: the ADNI dataset and the mortality dataset, both with distribution-valued responses.