Gradient Learning With the Mode-Induced Loss: Consistency Analysis and Applications

特征选择 一致性(知识库) 变量(数学) 参数统计 协变量 计算机科学 非参数统计 选择(遗传算法) 功能(生物学) 工具变量 回归分析 线性回归 选型 数学 人工智能 数学优化 机器学习 统计 数学分析 进化生物学 生物
作者
Hong Chen,Youcheng Fu,Xue Jiang,Yanhong Chen,Weifu Li,Yicong Zhou,Feng Zheng
出处
期刊:IEEE transactions on neural networks and learning systems [Institute of Electrical and Electronics Engineers]
卷期号:35 (7): 9686-9699
标识
DOI:10.1109/tnnls.2023.3236345
摘要

Variable selection methods aim to select the key covariates related to the response variable for learning problems with high-dimensional data. Typical methods of variable selection are formulated in terms of sparse mean regression with a parametric hypothesis class, such as linear functions or additive functions. Despite rapid progress, the existing methods depend heavily on the chosen parametric function class and are incapable of handling variable selection for problems where the data noise is heavy-tailed or skewed. To circumvent these drawbacks, we propose sparse gradient learning with the mode-induced loss (SGLML) for robust model-free (MF) variable selection. The theoretical analysis is established for SGLML on the upper bound of excess risk and the consistency of variable selection, which guarantees its ability for gradient estimation from the lens of gradient risk and informative variable identification under mild conditions. Experimental analysis on the simulated and real data demonstrates the competitive performance of our method over the previous gradient learning (GL) methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
大模型应助科研通管家采纳,获得10
刚刚
Owen应助科研通管家采纳,获得10
刚刚
大个应助科研通管家采纳,获得10
刚刚
Aimeeli完成签到 ,获得积分10
刚刚
Lilyzi应助科研通管家采纳,获得10
刚刚
科目三应助科研通管家采纳,获得10
刚刚
bkagyin应助科研通管家采纳,获得10
刚刚
刚刚
沉默寻凝完成签到,获得积分10
1秒前
竹筏过海应助森sen采纳,获得30
1秒前
Quin完成签到,获得积分10
2秒前
2秒前
Never stall发布了新的文献求助10
3秒前
haliw完成签到,获得积分10
3秒前
yyy完成签到,获得积分10
4秒前
冰安发布了新的文献求助10
4秒前
zyy发布了新的文献求助10
4秒前
lehha完成签到,获得积分10
5秒前
6秒前
yyy发布了新的文献求助10
6秒前
大龙哥886完成签到,获得积分10
7秒前
枳甜完成签到,获得积分10
7秒前
ramsey33完成签到,获得积分10
8秒前
欣喜的莆完成签到 ,获得积分10
11秒前
香蕉觅云应助刘琪琪采纳,获得10
11秒前
12秒前
一二三完成签到,获得积分10
15秒前
15秒前
星星会开花完成签到,获得积分10
15秒前
zhoull完成签到 ,获得积分10
16秒前
英俊的铭应助认真的灵枫采纳,获得10
17秒前
彭于晏应助火星采纳,获得10
18秒前
20秒前
cccxxx完成签到,获得积分10
20秒前
20秒前
Veronica发布了新的文献求助10
24秒前
24秒前
kirito发布了新的文献求助10
25秒前
温柔孤兰发布了新的文献求助10
26秒前
27秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Fundamentals of Dispersed Multiphase Flows 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3254315
求助须知:如何正确求助?哪些是违规求助? 2896538
关于积分的说明 8293128
捐赠科研通 2565468
什么是DOI,文献DOI怎么找? 1393064
科研通“疑难数据库(出版商)”最低求助积分说明 652418
邀请新用户注册赠送积分活动 629894