.png){kind=icon}
返回
Semi-supervised sufficient dimension reduction via predictive inference
.png){kind=icon}
PRE
AI
DOI：10.1080/03610926.2026.2671312.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
切片逆回归（SIR）是一种监督降维的流行框架，它将高维协变量投影到低维线性子空间而不损失信息。本文将SIR扩展到半监督场景，即标签数据有限而未标签数据丰富，并明确利用机器学习预测来指导切片分配。所提出的预测辅助切片逆回归（PASIR）使用结果预测来确定未观察到的响应是否落入预定义的切片，而不是填补其精确值，并利用SIR的切片结构，该结构仅依赖于亚组成员资格。我们将未标签点的选择表述为一个凸二次规划问题，在固定标签测量预算下，联合优化基于核的多样性以及切片层面的错误选择率（FSR）控制。数值模拟和一个真实数据示例验证了所提策略的优越性能。
Keyword:
Sliced inverse regression
semi-supervised setting
convex quadratic program
false selection rate
期刊
C
IF:
0.8
论文数:
221
被引数:
0
机构
引用论文
暂无论文信息