The Sparse MLE for Ultra-High-Dimensional Feature Screening.
The Sparse MLE for Ultra-High-Dimensional Feature Screening.
复制标题
DOI：
10.1080/01621459.2013.879531
复制
发表时间：
2014
影响因子：
3.7
通讯作者：
Chen J
中科院分区：
文献类型：
--
作者：
Xu C;Chen J
特征选择是对高维数据建模的基础，其中特征的数量可以是巨大的，并且比样本大小大得多。由于特征空间如此之大，许多传统方法在数值上变得不可行。因此，在进行任何细致的分析之前，必须首先去除最明显的非影响性特征。最近，已经为此目的开发了几种程序，其中包括作为广泛使用的技术的确定独立筛选（SIS）。为了获得计算效率，SIS根据特征的个体预测能力来筛选特征。在本文中，我们提出了一种新的筛选方法，通过稀疏限制的最大似然估计（SMLE）。新方法在筛选过程中自然地考虑了特征的联合效应，这使其自身具有潜在优于现有方法的优势。这一猜想进一步支持了一些建模设置下的模拟研究。我们证明了所提出的方法在超高维广义线性模型的背景下是屏蔽相容的。
Feature selection is fundamental for modeling the high dimensional data, where the number of features can be huge and much larger than the sample size. Since the feature space is so large, many traditional procedures become numerically infeasible. It is hence essential to first remove most apparently non-influential features before any elaborative analysis. Recently, several procedures have been developed for this purpose, which include the sure-independent-screening (SIS) as a widely-used technique. To gain the computational efficiency, the SIS screens features based on their individual predicting power. In this paper, we propose a new screening method via the sparsity-restricted maximum likelihood estimator (SMLE). The new method naturally takes the joint effects of features in the screening process, which gives itself an edge to potentially outperform the existing methods. This conjecture is further supported by the simulation studies under a number of modeling settings. We show that the proposed method is screening consistent in the context of ultra-high-dimensional generalized linear models.
登录
查看更多内容
影响因子：
4.5
作者：
Zhang, Cun-Hui
通讯作者：
Zhang, Cun-Hui
影响因子：
1.2
作者：
Blumensath, Thomas;Davies, Mike E.
通讯作者：
Davies, Mike E.
影响因子：
2.7
作者：
Chen, Jiahua;Chen, Zehua
通讯作者：
Chen, Zehua
大规模预测问题的经验贝叶斯估计。
影响因子：
3.7
作者：
Efron B
通讯作者：
Efron B
影响因子：
2.5
作者：
Candès, EJ;Romberg, J;Tao, T
通讯作者：
Tao, T