.png){kind=icon}
返回
Conditional multidimensional scaling with incomplete conditioning data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jmva.2026.105620.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
条件多维缩放从成对不相似性中寻求低维配置，在存在其他已知特征的情况下。通过利用已知特征的可用数据，条件多维缩放提高了低维配置的估计质量，并简化了知识发现任务。然而，现有的条件多维缩放方法需要已知特征的全数据，这可能由于时间、成本和其他限制而无法总是获得。本文提出了一种条件多维缩放方法，可以在已知特征存在缺失值时学习低维配置。该方法还可以填补缺失值，这为问题提供了额外的见解。该方法的计算机代码在CRAN上的cml R软件包中维护。
Keyword:
Dimension reduction
Distance scaling
ISOMAP
Manifold learning
Missing data
Sammon mapping
期刊
J
IF:
1.7
论文数:
99
被引数:
5.8K
机构
引用论文
Sufficient dimension reduction and prediction in regression: Asymptotic results回归中的充分维度约简与预测：渐近结果
OAAI
OAAI分享收藏Curvilinear component analysis: a self-organizing neural network for nonlinear mapping of data sets
PREAI
分享收藏LEARNING LOW-DIMENSIONAL NONLINEAR STRUCTURES FROM HIGH-DIMENSIONAL NOISY DATA: AN INTEGRAL OPERATOR APPROACH.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏
查看更多内容