.png){kind=icon}
返回
Optimal subset selection for distributed local principal component analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.physa.2024.130308.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
考虑到分布式PCA方法有时会产生较大的局部近似误差，我们提出了一种新的分布式PCA方法，称为分布式局部PCA（DLCPA），通过使用最优子集选择标准进行降维来减少误差。该方法的最优子集选择在DLCPA中的优势包括：通过精确的协方差估计提高精度、高效处理大数据集、在管理变量超出节点场景时的可扩展性、对异常值的鲁棒性、参数选择的灵活性以及跨数据分布的适应性。所涉及的低维协方差子估计器通过分布式方式计算其局部主成分获得，并计算一步平均协方差估计器。此外，均方误差（MSE）被选用来衡量所提出方法的性能，并且从最优标准中获得的最优子估计器被确定为在所有协方差子估计器中具有最小MSE值的那个。研究表明，所提出的方法不仅能提高模拟和真实数据实验中的估计精度，还能大幅节省计算时间，这在解决大数据问题方面具有良好的推广价值。
Keyword:
Data reduction
Distributed inference
Computational complexity
Local principal component analysis
期刊
P
IF:
3.1
论文数:
1.3K
被引数:
3.6W
机构
引用论文
Robust covariance estimation for distributed principal component analysis分布式主成分分析中的鲁棒协方差估计.png)
Metrika
MetrikaIF0
PREAI
分享收藏STATISTICAL AND COMPUTATIONAL TRADE-OFFS IN ESTIMATION OF SPARSE PRINCIPAL COMPONENTSANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏Orientation-aware ship detection via a rotation feature decoupling supported deep learning approach
PREAI
分享收藏LIC: An R package for optimal subset selection for distributed dataLIC: 一个用于分布式数据最优子集选择的R语言包SoftwareXOAAI
SoftwareXIF0
OAAI分享收藏A Review of Distributed Algorithms for Principal Component Analysis主成分分析的分布式算法综述PROCEEDINGS OF THE IEEEOAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏
查看更多内容