.png){kind=icon}
返回
Conditional multidimensional scaling for incomplete conditioning data via alternating learning
.png){kind=icon}
PRE
AI
DOI：10.1080/00224065.2026.2728714.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代质量工程通常依赖于高维数据来评估复杂的产品特性、过程能力和客户偏好。在这些应用中，数据变异通常由一组低维的潜在特征控制，其中一部分可能预先已知。条件多维缩放算法在降维的同时对这些已知特征进行条件约束。当前最先进的方法可以处理条件数据中的缺失值，但其计算复杂度高达O(N³)。为解决这一瓶颈，我们提出了一种针对不完整条件数据的新型条件多维缩放框架，其时间复杂度为O(N²)。我们确立了所提出方法的关键理论性质，并评估了其实际效用。实证结果，包括对汽车感知的质量功能展开研究和汽车气缸垫制造中的零件间变异分析，表明我们的方法在降维和缺失数据插补方面均能保持相当的性能，同时显著减少了计算时间。
Keyword:
Dimension reduction
distance scaling
manifold learning
missing data
SMACOF
期刊
IF:
2.2
论文数:
69
被引数:
2.9K
机构
查看更多机构
引用论文
暂无论文信息