Nonlinear sufficient dimension reduction for functional data
函数型数据的非线性充分降维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：摘要聚焦函数型数据与非线性降维，未提供所列经济计量细分的直接依据。
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…
函数型数据的非线性充分降维
- 研究问题
- 当预测变量与响应变量均可能是随机函数，且个体观测时点不同，如何保留响应相关信息并实现非线性降维？
- 方法与思路
- 作者分别用希尔伯特空间表示函数数据、用再生核希尔伯特空间刻画非线性，并通过前者内积构造后者的核。
- 材料陈述的贡献
- 摘要称提出两种降维估计量，并为其中一种建立一致性与收敛速度结果，理论可涵盖完整及部分观测的函数数据。
- 阅读关注点
- 应核对充分降维目标的定义、两层空间的嵌套构造，以及部分观测条件如何进入估计步骤和收敛速度证明。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法判断具体正则条件及收敛速度；语音和手写符号应用的效果也未给出数值。
原文摘要
We propose a general theory and the estimation procedures for nonlinear sufficient dimension reduction where both the predictor and the response may be random functions. The relation between the response and predictor can be arbitrary and the sets of observed time points can vary from subject to subject. The functional and nonlinear nature of the problem leads to construction of two functional spaces: the first representing the functional data, assumed to be a Hilbert space, and the second characterizing nonlinearity, assumed to be a reproducing kernel Hilbert space. A particularly attractive feature of our construction is that the two spaces are nested, in the sense that the kernel for the second space is determined by the inner product of the first. We propose two estimators for this general dimension reduction problem, and establish the consistency and convergence rate for one of them. These asymptotic results are flexible enough to accommodate both fully and partially observed functional data. We investigate the performances of our estimators by simulations, and applied them to data sets about speech recognition and handwritten symbols.