Correlation and High-Dimensional Consistency in Pattern Recognition
模式识别中的相关性与高维一致性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：高维分类与相关结构属于通用统计方法，摘要未涉及经济离散选择或金融、宏观预测等具体方向。
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…
关注这篇论文的作者
模式识别中的相关性与高维一致性
- 研究问题
- 当特征维数极高且存在随机基线等相关结构时，常见分类方法能否保持高维一致性，以及如何避免相关性造成的分类失效。
- 方法与思路
- 作者研究若干分类器的高维渐近性质，分析重复测量模型中的相关性影响，推导误差率指数界，并构造新的分类方法。
- 材料陈述的贡献
- 摘要称，欧氏距离分类器在一个简单重复测量模型下不具维度一致性，文章另提出可处理相关性且具维度一致性的方法。
- 阅读关注点
- 应核对维度一致性的定义、维数与样本量的渐近关系、相关结构的限制，以及误差率界和新分类方法的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；新方法细节及理论条件未说明，不能据此断言普遍优于其他分类器或推断版本变化。
原文摘要
Classical discriminant analysis breaks down when the feature vectors are of extremely high dimension; for example, when the basic observation is a random function observed over a fine grid. Alternative methods have been developed assuming a simplified form for the covariance structure. We analyze the high-dimensional asymptotics of some of these methods, emphasizing the effects of correlations such as occur when the baseline is random. For instance, the Euclidean distance classifier, which has been proposed for generic use in high-dimensional classification problems, is dimensionally inconsistent under a simple repeated measurement model. We provide exponential bounds for the error rates of several classifiers. We develop new dimensionally consistent methods to deal with the effects of correlation in high-dimensional problems.