杨磊；吕少高；王俊辉 再生核Hilbert空间中的无模型变量选择。 （英语） Zbl 1360.62199号 J.马赫。学习。物件。 17，第82号论文，24页（2016年）. 摘要：变量选择在高维数据分析中非常流行，可以识别出真正信息丰富的变量。在各种模型假设下，已经开发了许多变量选择方法。尽管文献中广泛报道了成功的案例，但它们的性能在很大程度上取决于假设模型的有效性，例如线性模型或加性模型。本文介绍了一种通过学习梯度函数实现无模型变量选择的方法。该思想基于变量是否具有信息性和其对应的梯度函数是否实质上非零之间的等价性。然后，在灵活再生核Hilbert空间中的学习梯度框架中描述了所提出的变量选择方法。该方法的主要优点是不需要明确的模型假设，并考虑到一般变量效应。研究了其渐近估计和选择一致性，建立了估计稀疏梯度的收敛速度，并保证了真实信息变量在概率上的正确识别。多种仿真实例和两个实际例子也证明了该方法的有效性。 引用于1审查引用于9文件 MSC公司： 62G08号 非参数回归和分位数回归 第46页第22页 具有再生核的希尔伯特空间（=（适当的）函数希尔伯特空间，包括de Branges-Rovnyak和其他结构空间） 62J07型 岭回归；收缩估计器（拉索） 68T05年 人工智能中的学习和自适应系统 关键词：拉索组；高维数据；核回归；学习梯度；再生核希尔伯特空间；变量选择 软件：格拉索 PDF格式BibTeX公司 XML格式引用 \textit{L.Yang}等人，J.Mach。学习。第17号决议，第82号论文，24页（2016年；Zbl 1360.62199） 全文： 链接