.png){kind=icon}
返回
Sparse outlier-robust PCA for multi-source data
.png){kind=icon}
OA
AI
DOI：10.1007/s11222-025-10771-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
稀疏且鲁棒的主成分分析（PCA）一直是近期研究的一个非常活跃的领域。然而，大多数现有方法将PCA应用于单个数据集，而多源数据——即需要联合分析的多组相关数据集——在许多科学领域中普遍存在。我们引入了一种新颖的PCA方法，该方法同时（i）选择重要特征，（ii）允许检测跨多个数据源的全局稀疏模式以及局部源特定模式，以及（iii）对异常值具有鲁棒性。为此，我们开发了一个正则化问题，其惩罚项能够容纳全局-局部结构化稀疏模式，并使用一种鲁棒协方差估计量，即ssMRCD，作为插件，以允许在多个数据源之间进行联合、鲁棒分析。我们通过乘子交替方向法提供了我们提议的高效实现，并通过模拟和应用示例说明了其实际优势。
Keyword:
Structured sparsity patterns
Alternating direction method of multipliers
Global-local loadings
Joint analysis
ssMRCD estimator
期刊
S
IF:
1.6
论文数:
206
被引数:
0
机构
引用论文
Principal component analysis based on robust estimators of the covariance or correlation matrix: influence functions and efficiencies.png)
Biometrika
OAAI
BiometrikaIF0
OAAI分享收藏
查看更多内容