新的PSLR框架通过路径签名增强函数数据分类

研究人员推出了一种新颖的半参数框架——路径签名逻辑回归（PSLR），用于对向量值函数数据进行分类。该方法利用路径签名来表示数据，对不规则采样具有鲁棒性，并能捕捉跨通道依赖性。一项关键创新是其半参数加性结构，它为标量协变量保留了可解释的线性效应，并采用数据驱动的方法来自适应地选择签名截断阶数。实验表明，PSLR在准确性和可解释性方面优于传统的函数分类器和固定阶数签名基线。 AI

影响 这一新的分类框架有望提高各种数据分析任务中机器学习模型的准确性和可解释性。

排序理由 该集群包含一篇介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• Connected Papers
• DagsHub
• Gotit.pub
• Hugging Face
• Litmaps
• Path Signatures Logistic Regression
• Pengcheng Zeng
• PSLR
• Rough path theory and stochastic calculus
• ScienceCast
• scite Smart Citations

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →