Dimension reduction for functional data based on weak conditional moments
基于弱条件矩的函数型数据降维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：摘要研究通用函数型数据降维，没有因子模型或其他所列细分的明确证据。
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…
基于弱条件矩的函数型数据降维
- 研究问题
- 当解释变量与响应均可为函数或函数向量时，如何进行线性充分降维，并缓解估计完整条件矩的维度困难？
- 方法与思路
- 作者以 Carleman 算子及其诱导函数构造弱条件期望，将定义条件期望的投影推广到任意 Hilbert 空间。
- 材料陈述的贡献
- 摘要称，该框架保持相关降维方法的无偏性，无需估计完整条件均值与方差，并提出理论和估计方法及应用评估。
- 阅读关注点
- 核对弱条件期望、目标降维空间及无偏性的具体含义，查看 Hilbert 空间选择、估计实现和模拟比较标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未列出算子条件、收敛性质或比较结果，不能认定其普遍消除维度困难。
原文摘要
We develop a general theory and estimation methods for functional linear sufficient dimension reduction, where both the predictor and the response can be random functions, or even vectors of functions. Unlike the existing dimension reduction methods, our approach does not rely on the estimation of conditional mean and conditional variance. Instead, it is based on a new statistical construction—the weak conditional expectation, which is based on Carleman operators and their inducing functions. Weak conditional expectation is a generalization of conditional expectation. Its key advantage is to replace the projection on to an L2-space—which defines conditional expectation—by projection on to an arbitrary Hilbert space, while still maintaining the unbiasedness of the related dimension reduction methods. This flexibility is particularly important for functional data, because attempting to estimate a full-fledged conditional mean or conditional variance by slicing or smoothing over the space of vector-valued functions may be inefficient due to the curse of dimensionality. We evaluated the performances of the our new methods by simulation and in several applied settings.