Feature elimination in kernel machines in moderately high dimensions
中等高维核机器中的特征剔除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：摘要讨论通用核机器特征选择，未涉及所列经济计量领域的特定研究对象。
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…
中等高维核机器中的特征剔除
- 研究问题
- 研究在中等高维的核机器学习中，如何递归剔除特征以识别正确的特征空间，以及这种选择能否获得一致性保证。
- 方法与思路
- 作者构建递归特征剔除方法，分析其理论性质，并通过若干案例考察假设的适用性，通过模拟展示方法表现。
- 材料陈述的贡献
- 摘要称在某些广义假设下，所提方法识别正确特征空间具有一致一致性，并提供案例与模拟作为适用性和性能说明。
- 阅读关注点
- 应核对正确特征空间的定义、递归剔除与停止规则、一致性所需条件，以及维度、样本量和信号强度的关系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；广义假设和维度增长条件未说明，少量案例不能验证其在多数实际场景中均成立。
原文摘要
We develop an approach for feature elimination in statistical learning with kernel machines, based on recursive elimination of features. We present theoretical properties of this method and show that it is uniformly consistent in finding the correct feature space under certain generalized assumptions. We present a few case studies to show that the assumptions are met in most practical situations and present simulation results to demonstrate performance of the proposed approach.