Principal support vector machines for linear and nonlinear sufficient dimension reduction
用于线性与非线性充分降维的主支持向量机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：摘要研究通用监督式充分降维，未涉及给定因子模型或具体经济计量应用方向。
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
用于线性与非线性充分降维的主支持向量机
- 研究问题
- 如何用支持向量机寻找保留响应相关信息的低维表示，并将同一思路从线性充分降维推广到非线性充分降维？
- 方法与思路
- 作者将响应切片，用修改的支持向量机寻找分离超平面，再以法向量的主成分整合方向，并通过再生核希尔伯特空间推广。
- 材料陈述的贡献
- 摘要称，线性估计具有无偏性、根号样本量一致性和渐近正态性，非线性推广满足相应函数性质，并以模拟和数据比较展示优势。
- 阅读关注点
- 应核对充分降维空间的定义、切片与超平面整合方式、理论条件，以及非线性无偏性的含义和经验比较的评价指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明理论假设及比较细节，不能把所称实践优势视为对所有降维任务的保证。
原文摘要
We introduce a principal support vector machine (PSVM) approach that can be used for both linear and nonlinear sufficient dimension reduction. The basic idea is to divide the response variables into slices and use a modified form of support vector machine to find the optimal hyperplanes that separate them. These optimal hyperplanes are then aligned by the principal components of their normal vectors. It is proved that the aligned normal vectors provide an unbiased, √n-consistent, and asymptotically normal estimator of the sufficient dimension reduction space. The method is then generalized to nonlinear sufficient dimension reduction using the reproducing kernel Hilbert space. In that context, the aligned normal vectors become functions and it is proved that they are unbiased in the sense that they are functions of the true nonlinear sufficient predictors. We compare PSVM with other sufficient dimension reduction methods by simulation and in real data analysis, and through both comparisons firmly establish its practical advantages.