.png){kind=icon}
返回
Sparse sufficient dimension reduction for directional regression
.png){kind=icon}
OA
AI
DOI：10.1186/s40537-025-01219-1.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
过去几十年间，充分降维已作为一种强大的工具涌现，用于在高维数据集中提取有意义的信息。这些方法旨在通过聚焦于数据最具信息量的成分来降低数据的复杂性，这使得我们能够避免“维度灾难”。然而，许多充分降维方法存在挑战，因为其结果表现为原始预测变量的线性组合形式。这可能导致对提取的成分的解释相当困难，尤其是在处理大量变量时。为解决此问题，我们引入了一种用于方向回归的稀疏充分降维方法。我们的方法将广义特征分解转换为带有LASSO约束的回归类型优化问题，并通过生成稀疏估计来促进可解释性。此外，我们为所提出的方法提供了理论支持，建立了相关优化算法的非渐近oracle不等式和收敛保证。我们通过全面的数值实验，将我们的方法与现有方法（如非稀疏方向回归、稀疏切片逆回归和切片平均方差估计）进行比较，以证明其有效性。我们进一步将该方法应用于两个真实数据集，以展示其从复杂数据结构中提取有意义见解的实际价值。
Keyword:
Sufficient dimension reduction
Directional regression
LASSO
High dimensional data
Multivariate analysis
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.4
论文数:
1.5K
被引数:
1.1W
机构
引用论文
THE MEANING AND USE OF THE AREA UNDER A RECEIVER OPERATING CHARACTERISTIC (ROC) CURVE受试者工作特征 (ROC) 曲线下面积的含义和用途.png)
RADIOLOGY
RADIOLOGYIF15.2
PREAI
分享收藏分享收藏分享收藏Sufficient dimension reduction in regressions with categorical predictorsANNALS OF STATISTICSOAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏
查看更多内容