.png){kind=icon}
返回
Cellwise robust and sparse principal component analysis
.png){kind=icon}
OA
AI
DOI：10.1007/s11634-025-00656-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
提出了一种稀疏且逐单元稳健的PCA方法。通过对近似误差中的平方损失函数替换为稳健版本，实现了对数据矩阵中单个异常单元的稳健性。引入L1或弹性网络惩罚项的集成提供了额外的建模灵活性。针对由此产生的具有挑战性的优化问题，开发了一种基于黎曼随机梯度下降的算法，其优势在于可扩展至高维数据，无论是在变量数量方面还是观测数量方面。该方法被称为SCRAMBLE（基于流形学习和估计的稀疏逐单元稳健算法）。模拟结果表明，与现有方法相比，该算法在高维场景下在逐案例和逐单元稳健性范式下均表现出优越性。来自摩擦学领域的两个应用实例突显了逐单元稳健且稀疏的PCA方法的优点。
Keyword:
Cellwise outliers
Robust PCA
Sparse PCA
Manifold learning
期刊
A
IF:
1.3
论文数:
32
被引数:
883
机构
引用论文
分享收藏分享收藏分享收藏分享收藏Robust estimation of multivariate location and scatter in the presence of cellwise and casewise contamination.png)
TEST
TESTIF0
PREAI
分享收藏
查看更多内容