Classification Using Censored Functional Data
利用删失函数型数据进行分类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：摘要研究一般函数型数据分类，未提供所列计量领域细分的直接证据。
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
利用删失函数型数据进行分类
- 研究问题
- 当训练曲线在不同区间上被观测时，如何利用曲线及观测区间端点的信息构建分类器，并分析其分类表现？
- 方法与思路
- 作者提出多类函数型数据分类器，其中一种采用新的曲线延拓程序，并以显式而灵活的方式纳入观测区间端点信息。
- 材料陈述的贡献
- 摘要称作者研究分类器的渐近性质，在多种设定下可实现渐近完美分类，并使用真实数据和模拟数据展示方法表现。
- 阅读关注点
- 应核对观测区间形成机制、曲线延拓条件、端点信息的使用方式，以及渐近完美分类结论对应的具体数据设定。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；未说明删失机制及完美分类的条件，不能将渐近结论视为有限样本保证。
原文摘要
We consider classification of functional data when the training curves are not observed on the same interval. Different types of classifier are suggested, one of which involves a new curve extension procedure. Our approach enables us to exploit the information contained in the endpoints of these intervals by incorporating it in an explicit but flexible way. We study asymptotic properties of our classifiers, and show that, in a variety of settings, they can even produce asymptotically perfect classification. The performance of our techniques is illustrated in applications to real and simulated data. Supplementary materials for this article are available online.