Nonparametric classification with missing data
缺失数据下的非参数分类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：摘要研究通用机器学习分类与缺失特征，未涉及经济离散选择行为或因果识别，故不凭分类任务归入所列细分。
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…
缺失数据下的非参数分类
- 研究问题
- 当特征可能非随机缺失，且分类回归函数具有稀疏的正交分解时，超额分类风险能达到怎样的极小极大收敛率？
- 方法与思路
- 作者设定ANOVA型正交函数分解，并结合特征尾部、光滑性和边际条件分析风险；HAM分类器结合近邻算法与硬阈值步骤。
- 材料陈述的贡献
- 摘要称环境维度不直接进入所推导的极小极大率，HAM分类器在多对数因子内达到该率，并以数值实验展示用途。
- 阅读关注点
- 应核对允许非随机缺失的具体条件、正交分解的稀疏结构，以及有效维度、尾部参数和阈值选择如何进入理论与算法。
- 阅读边界
- 材料为OpenAlex索引摘要，稿件版本未注明；允许非随机缺失不意味着适用任意缺失机制，摘要未给出完整限制或风险率公式。
原文摘要
We introduce a new nonparametric framework for classification problems in the presence of missing data. The key aspect of our framework is that the regression function decomposes into an anova-type sum of orthogonal functions, of which some (or even many) may be zero. Working under a general missingness setting, which allows features to be missing not at random, our main goal is to derive the minimax rate for the excess risk in this problem. In addition to the decomposition property, the rate depends on parameters that control the tail behaviour of the marginal feature distributions, the smoothness of the regression function and a margin condition. The ambient data dimension does not appear in the minimax rate, which can therefore be faster than in the classical nonparametric setting. We further propose a new method, called the Hard-thresholding Anova Missing data (HAM) classifier, based on a careful combination of a k-nearest neighbour algorithm and a thresholding step. The HAM classifier attains the minimax rate up to polylogarithmic factors and numerical experiments further illustrate its utility.