Optimal properties of centroid-based classifiers for very high-dimensional data
超高维数据中基于质心的分类器的最优性质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：摘要研究通用超高维总体分类，没有经济离散选择模型或金融预测目标，不能凭分类与数值表现归入所列应用方向。
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
超高维数据中基于质心的分类器的最优性质
- 研究问题
- 当两个超高维总体主要在位置上不同但尺度也可能不同，如何避免尺度混淆均值差异，并刻画分类器的最优表现？
- 方法与思路
- 作者研究经尺度调整的质心分类器，在允许不同稀疏性、信号强度、分量依赖和边际分布的条件下分析理论与数值表现。
- 材料陈述的贡献
- 摘要称，尺度调整后的质心分类器满足作者定义的最优性质，而某些最近邻距离方法不满足，并以数值研究展示理论表现。
- 阅读关注点
- 应核对最优性的评价标准、维度与样本量增长关系、尺度调整的估计方式，以及稀疏性、信号和分量依赖的具体条件。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；最优性定义、条件和数值结果未提供，结论限于位置差异主导的指定分类问题。
原文摘要
We show that scale-adjusted versions of the centroid-based classifier enjoys optimal properties when used to discriminate between two very high-dimensional populations where the principal differences are in location. The scale adjustment removes the tendency of scale differences to confound differences in means. Certain other distance-based methods, for example, those founded on nearest-neighbor distance, do not have optimal performance in the sense that we propose. Our results permit varying degrees of sparsity and signal strength to be treated, and require only mild conditions on dependence of vector components. Additionally, we permit the marginal distributions of vector components to vary extensively. In addition to providing theory we explore numerical properties of a centroid-based classifier, and show that these features reflect theoretical accounts of performance.