Covariate Information Number for Feature Screening in Ultrahigh-Dimensional Supervised Problems.
Covariate Information Number for Feature Screening in Ultrahigh-Dimensional Supervised Problems.
复制标题
DOI：
10.1080/01621459.2020.1864380
复制
发表时间：
2022
影响因子：
3.7
通讯作者：
Li, Runze
中科院分区：
文献类型：
--
作者：
Nandy, Debmalya;Chiaromonte, Francesca;Li, Runze
关键词：
当代高通量实验和测量技术引起了稀疏信号的超高维监督问题；也就是说，有限数量的观测值 (n)，每个观测值都有大量协变量 (p >> n)，其中只有一小部分与响应真正相关。在这些设置中，对计算负担、算法稳定性和统计准确性的主要关注要求在使用任何复杂的统计分析之前通过消除冗余协变量来大幅减少特征空间。沿着 Sure Independence Screening 和其他基于模型和相关性的特征筛选方法，我们提出了一种称为协变量信息数 - Sure Independence Screening (CIS) 的无模型程序。 CIS使用与传统Fisher信息概念相关的边际效用，具有确定的筛选特性，并且适用于任何类型的具有连续特征（响应）的响应（特征）。模拟和对大鼠转录组数据的应用揭示了 CIS 相对于一些流行的特征筛选方法的比较优势。
Contemporary high-throughput experimental and surveying techniques give rise to ultrahigh-dimensional supervised problems with sparse signals; that is, a limited number of observations (n), each with a very large number of covariates (p >> n), only a small share of which is truly associated with the response. In these settings, major concerns on computational burden, algorithmic stability, and statistical accuracy call for substantially reducing the feature space by eliminating redundant covariates before the use of any sophisticated statistical analysis. Along the lines of Sure Independence Screening and other model- and correlation-based feature screening methods, we propose a model-free procedure called Covariate Information Number - Sure Independence Screening (CIS). CIS uses a marginal utility connected to the notion of the traditional Fisher Information, possesses the sure screening property, and is applicable to any type of response (features) with continuous features (response). Simulations and an application to transcriptomic data on rats reveal the comparative strengths of CIS over some popular feature screening methods.
登录
查看更多内容
DOI：
10.1080/01621459.2013.850086
发表时间：
2014-01-01
影响因子：
3.7
作者：
Liu J;Li R;Wu R
通讯作者：
Wu R
影响因子：
4.5
作者：
Huang J;Horowitz JL;Wei F
通讯作者：
Wei F
影响因子：
3.7
作者：
Fan J;Feng Y;Song R
通讯作者：
Song R
DOI：
10.1073/pnas.0600158103
发表时间：
2006-04-18
影响因子：
11.1
作者：
Chiang, AP;Beck, JS;Sheffield, VC
通讯作者：
Sheffield, VC
DOI：
10.1080/07350015.2013.863158
发表时间：
2014
期刊：
Journal of business & economic statistics : a publication of the American Statistical Association
影响因子：
--
作者：
Huang D;Li R;Wang H
通讯作者：
Wang H