Groupwise Dimension Reduction
分组降维AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于通用回归降维理论，分组变量本身不足以归入面板、因子或其他所列细分。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
分组降维
- 研究问题
- 当预测变量天然分属不同领域时，如何把分组知识纳入回归降维，以保留各领域与响应之间可解释的关系？
- 方法与思路
- 作者利用条件均值的导数构造降维方法，将微分算子约束为直和形式，并允许仅对部分预测变量实施降维。
- 材料陈述的贡献
- 摘要称，方法扩展了连续分块变量下的部分降维，模拟和实证显示准确性与解释性改善，且放宽既有预测变量分布要求。
- 阅读关注点
- 应核对分组降维目标、直和约束的含义、所放宽的分布条件，以及比较实验是否保持相同维数与调参规则。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未列出具体条件或比较数值，不能据此认定对任意分组均有优势。
原文摘要
In many regression applications, the predictors fall naturally into a number of groups or domains, and it is often desirable to establish a domain-specific relation between the predictors and the response. In this article, we consider dimension reduction that incorporates such domain knowledge. The proposed method is based on the derivative of the conditional mean, where the differential operator is constrained to the form of a direct sum. This formulation also accommodates the situations where dimension reduction is focused only on part of the predictors; as such it extends Partial Dimension Reduction to cases where the blocked predictors are continuous. Through simulation and real data analyses, we show that the proposed method achieves greater accuracy and interpretability than the dimension reduction methods that ignore group information. Furthermore, the new method does not require the stringent conditions on the predictor distribution that are required by existing methods.