High Dimensional Linear Discriminant Analysis: Optimality, Adaptive Algorithm and Missing Data
高维线性判别分析：最优性、自适应算法与缺失数据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：摘要研究一般高维分类并应用于癌症数据，统计分类不同于经济离散选择，缺乏给定细分方向的依据。
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
高维线性判别分析：最优性、自适应算法与缺失数据
- 研究问题
- 高维线性判别分析如何实现数据驱动的速率最优分类，并在完全随机缺失的数据中维持理论保证？
- 方法与思路
- 作者提出自适应约束 l1 最小化分类规则，推导极小极大下界，并用广义样本协方差的大偏差结果处理缺失。
- 材料陈述的贡献
- 摘要称无需调参的规则在一组参数空间上同时达到速率最优，并建立完全随机缺失下的最优收敛率。
- 阅读关注点
- 应核对参数空间、分类损失与最优速率，查明完全随机缺失条件、缺失程度和自适应算法如何进入保证。
- 阅读边界
- 仅据所给 Crossref 摘要；具体参数限制、速率与应用数值未说明，不能将缺失数据结论推广至其他缺失机制。
原文摘要
Summary The paper develops optimality theory for linear discriminant analysis in the high dimensional setting. A data-driven and tuning-free classification rule, which is based on an adaptive constrained l1-minimization approach, is proposed and analysed. Minimax lower bounds are obtained and this classification rule is shown to be simultaneously rate optimal over a collection of parameter spaces. In addition, we consider classification with incomplete data under the missingness completely at random model. An adaptive classifier with theoretical guarantees is introduced and the optimal rate of convergence for high dimensional linear discriminant analysis under the missingness completely at random model is established. The technical analysis for the case of missing data is much more challenging than that for complete data. We establish a large deviation result for the generalized sample covariance matrix, which serves as a key technical tool and can be of independent interest. An application to lung cancer and leukaemia studies is also discussed.