Deep Transformation Model
深度变换模型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：摘要研究通用变换模型与神经网络估计，未明确对应所列计量领域的专门问题。
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…
深度变换模型
- 研究问题
- 如何为复杂数据建立灵活的非参数变换模型，同时处理响应异常值、高维无关变量以及生存数据中的删失问题？
- 方法与思路
- 作者采用基于秩的深度神经网络损失，提出便于计算的双重 ReLU 估计器，并通过组惩罚进行变量选择和扩展至删失数据。
- 材料陈述的贡献
- 摘要称，该方法具有响应异常值鲁棒性，并建立新的深度 ReLU 逼近结果及估计、变量选择性质，数值研究展示应用效用。
- 阅读关注点
- 应核对变换模型的具体假设、秩损失与双重 ReLU 的关系，以及异常值鲁棒性、变量选择和删失扩展各自需要的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；所谓弱假设、收敛性质和鲁棒性边界未展开，不能据此推断具体定理或刊本变化。
原文摘要
The increasing data complexity leads to the demand for more general and flexible modeling approaches. We consider a nonparametric transformation model with weak assumptions, which encompasses many popular models as special cases. A rank-based deep neural network (DNN) estimation approach is developed, with a loss function significantly different from the existing ones. It can accommodate outliers in response, which is a robustness property not broadly shared. For computational feasibility, we propose a double rectified linear unit (DReLU)-based estimator. To accommodate a diverging number of input variables and/or noises, we propose variable selection based on group penalization. We further expand the scope to accommodate censored survival data. We establish a new deep ReLU network approximation result as well as the estimation and variable selection properties. Numerical studies, including simulations and data analyses, establish practical utility of the proposed methods.