会员服务
在统计中，主成分分析（PCA）是一种通过最大化每个维度的方差来将较高维度空间中的数据投影到较低维度空间中的方法。给定二维，三维或更高维空间中的点集合，可以将“最佳拟合”线定义为最小化从点到线的平均平方距离的线。可以从垂直于第一条直线的方向类似地选择下一条最佳拟合线。重复此过程会产生一个正交的基础，其中数据的不同单个维度是不相关的。 这些基向量称为主成分。
Casewise and Cellwise Robust Multilinear Principal Component Analysis
Arxiv
0+阅读 · 3月17日
An Interpretable and Stable Framework for Sparse Principal Component Analysis
Arxiv
0+阅读 · 3月14日
Inference for function-on-function regression: central limit theorem and residual bootstrap
Arxiv
0+阅读 · 3月12日
Generalized dynamic functional principal component analysis
Arxiv
0+阅读 · 2月23日
Covariance estimation for derivatives of functional data using an additive penalty in P-splines
Arxiv
0+阅读 · 2月23日
StablePCA: Distributionally Robust Learning of Shared Representations from Multi-Source Data
Arxiv
0+阅读 · 3月7日
Adaptive Power Iteration Method for Differentially Private PCA
Arxiv
0+阅读 · 2月12日
MML Probabilistic Principal Component Analysis
Arxiv
0+阅读 · 2月9日
High-Dimensional Asymptotics of Differentially Private PCA
Arxiv
0+阅读 · 2月15日
A solvable high-dimensional model where nonlinear autoencoders learn structure invisible to PCA while test loss misaligns with generalization
Arxiv
0+阅读 · 2月11日
Uncovering Residual Factors in Financial Time Series via PCA and MTP2-constrained Gaussian Graphical Models
Arxiv
0+阅读 · 2月5日
Sparse group principal component analysis via double thresholding with application to multi-cellular programs
Arxiv
0+阅读 · 2月4日
Non-linear PCA via Evolution Strategies: a Novel Objective Function
Arxiv
0+阅读 · 2月3日
PCA of probability measures: Sparse and Dense sampling regimes
Arxiv
0+阅读 · 2月2日
Robust functional PCA for relative data
Arxiv
0+阅读 · 1月28日
参考链接
微信扫码咨询专知VIP会员
Top