.png){kind=icon}
返回
Kernel Variable Importance Measure with Applications
.png){kind=icon}
PRE
AI
DOI：10.1080/10618600.2026.2654770.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种基于最大均值差异（MMD）的新型核变量重要性度量（KvIM）。KvIM通过构造加权MMD并对各维度施加扰动，有效衡量各维度对分布差异的贡献重要性。KvIM具有以下显著优势：非参数且模型无关，能考虑维度间的依赖关系，并适用于高维数据。我们在一般条件下建立了经验KvIM的一致性，并探讨了其在高维设置下的理论性质。此外，我们将KvIM应用于分类问题和流式数据集，提出了基于KvIM增强的分类方法和在线KvIM。这些应用通过广泛的数值实验验证了所提KvIM在多样化场景中的实际效用。
Keyword:
Classification
High-dimensional data
Maximum mean discrepancy
Streaming data
Variable importance
期刊
J
IF:
1.8
论文数:
138
被引数:
6.4K
机构
引用论文
Variable importance assessments and backward variable selection for multi-sample problems多样本问题中的变量重要性评估与后向变量选择
PREAI
分享收藏
分享收藏Kernel two-sample tests in high dimensions: interplay between moment discrepancy and dimension-and-sample orders高维核两样本检验：矩差异与维数-样本量阶数之间的相互作用.png)
Biometrika
OAAI
BiometrikaIF0
OAAI分享收藏Kernel-Based Measure of Variable Importance for Genetic Association Studies基于核的变量重要性度量方法用于遗传关联研究
PREAI
分享收藏分享收藏
查看更多内容