High-Dimensional Statistical Inference for Sparse Support Vector Machines
稀疏支持向量机的高维统计推断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：摘要研究通用高维分类与变量推断，未提供对应所列经济计量细分方向的充分依据。
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
稀疏支持向量机的高维统计推断
- 研究问题
- 当样本量与特征数按比例增长时，如何对稀疏支持向量机的单个特征进行统计推断，并区分模型选入变量与统计显著变量？
- 方法与思路
- 作者利用副本对称高维刻画，将带稀疏惩罚的支持向量机表示为线性规划，通过对偶变量确定铰链损失的次梯度并构造去偏估计。
- 材料陈述的贡献
- 摘要称去偏估计的坐标渐近高斯，可用于置信区间、检验及错误发现率控制；模拟和乳腺癌基因表达应用考察其表现。
- 阅读关注点
- 应核对副本对称刻画的理论依据、渐近高斯结论及错误发现率控制所需条件，以及强相关设计下模拟的校准结果。
- 阅读边界
- 所给材料为 arXiv 预印本，不能据此声称已同行评审或期刊接收；摘要未说明完整理论条件，也未给出模拟数值。
原文摘要
Using a replica-symmetric high-dimensional characterization, we develop an inferential framework for sparse support vector machines when the sample size and number of features grow proportionally. The main challenge is the nonsmooth hinge loss, which prevents direct application of debiasing arguments developed for smooth classification losses. We overcome this difficulty by representing the $L_1$-penalized support vector machine (SVM) as a linear program and identifying the hinge-loss subgradient through its dual variables. This yields a computationally accessible debiased estimator whose coordinates are asymptotically Gaussian under the proportional asymptotic regime. The resulting distributional characterization provides confidence intervals and hypothesis tests for individual features and enables false-discovery-rate-controlled variable selection. Extensive simulations examine calibration, power, and variable-selection performance under a range of covariance structures, including strongly correlated designs. An analysis of high-dimensional breast cancer gene-expression data illustrates how the proposed inference can distinguish statistically significant features from variables selected by the original sparse SVM.