Tensor product space ANOVA models
张量积空间 ANOVA 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：摘要讨论一般高维非参数回归与函数空间理论，未明确涉及所列因果、面板、结构或宏观金融方向。
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
张量积空间 ANOVA 模型
- 研究问题
- 高维非参数函数估计如何在容纳高阶交互作用的同时缓解维数灾难，并获得接近一维问题的收敛速度？
- 方法与思路
- 作者将多元函数分解为常数、主效应及各阶交互项，令交互项属于张量积空间，并研究惩罚似然估计。
- 材料陈述的贡献
- 摘要称，在回归与白噪声框架中，最优收敛率与一维最优率仅差对数因子，惩罚似然估计可达到该速率。
- 阅读关注点
- 应核对张量积空间的定义、光滑性和交互结构限制，以及收敛率中的维数依赖、对数因子与惩罚参数选择。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明维数及交互阶数的适用范围，不能推断任意高维问题均适用。
原文摘要
To deal with the curse of dimensionality in high-dimensional nonparametric problems, we consider using tensor product space ANOVA models, which extend the popular additive models and are able to capture interactions of any order. The multivariate function is given an ANOVA decomposition, that is, it is expressed as a constant plus the sum of functions of one variable (main effects), plus the sum of functions of two variables (two-factor interactions)and so on. We assume the interactions to be in tensor product spaces.We show in both regression and white noise settings, the optimal rate of convergence for the TPS-ANOVA model is within a log factor of the one-dimensional optimal rate, and that the penalized likelihood estimator in TPS-ANOVA achieves this rate of convergence. The quick optimal rate of the TPS-ANOVA model makes it very preferable in high-dimensional function estimation. Many properties of the tensor product space of Sobolev –Hilbert spaces are also given.