Reproducing Kernel-Based Semiparametric Functional Smoothed Score Estimation with Binary Responses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Functional data classification has gained increasing utility in the modern statistical learning era. In this article, we investigate the generalization ability and the Fisher consistency of the smoothed score (SS) classifier on the intrinsic infinite-dimensional functional data both theoretically and numerically. Formulating the empirical risk minimization based on a regularized smoothed non-convex loss function, we first establish a rigorous error bound on the misclassification rate. The theoretical results reveal a trade-off between the choice of a tuning parameter and the size of a candidate function class. Additionally, a nonregular convergence rate of the SS estimation is derived in L2 norm that aligns with hn−(1−ν)n−μ2(μ+1), as the bandwidth hn of the smoothed loss is shrunk to 0. By projecting the functional data onto one specific direction over a reproducing kernel Hilbert space where the estimated function is expected to deliver desirable performance, we address the problem of slope function estimation. Computationally, we tackle the nonconvex optimization by developing an efficient proximal gradient algorithm. Finally, the finite sample results in simulation studies as well as a real data analysis from the ADNI study demonstrate the favorable performance of the proposed method compared with some popular classifiers in terms of prediction and estimation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle