返回
Unsupervised linear discrimination using skewness
DOI:10.1016/j.jmva.2025.105524.png)
摘要
En 中文
众所周知,在Gaussian two-group separation中,最优判别投影方向可以在不了解组标签信息的情况下进行估计。在本工作中,我们收集了基于偏度(skewness)的几种此类无监督估计量,并推导了它们的极限分布。作为我们的一项主要结果,我们证明了所有最优方向的仿射等变(affine equivariant)估计量的渐近协方差矩阵成比例,这使得它们之间的比较变得简单。我们提出的四种估计量中,两种是新颖的,另外两种之前已被提出。我们使用模拟来验证我们的结果,并检验估计量的有限样本行为。
Keyword:
Asymptotic normality
Fisher's linear discriminant
Gaussian mixture
Limiting efficiency
Third moment
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
J
IF:
1.7
论文数:
99
被引数:
5.8K
机构
引用论文
Large-sample properties of unsupervised estimation of the linear discriminant using projection pursuit使用投影寻踪进行线性判别盲估计的大样本性质
Skewness-Based Projection Pursuit as an Eigenvector Problem in Scale Mixtures of Skew-Normal Distributions
Symmetry
IF0

