Generalized multilinear models for sufficient dimension reduction on tensor-valued predictors
张量预测变量充分降维的广义多线性模型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：材料研究通用张量监督学习与充分降维，没有所列计量领域的直接应用证据。
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…
关注这篇论文的作者
张量预测变量充分降维的广义多线性模型
- 研究问题
- 面对连续或二元张量输入，如何构造保留回归或分类信息的多线性充分降维，并建立其估计与计算保证？
- 方法与思路
- 作者将给定响应的预测变量条件分布建模为二次指数族，发展降维估计程序，并利用流形理论分析渐近性质。
- 材料陈述的贡献
- 摘要称证明估计的一致性与渐近正态性；多线性正态情形计算高效，模拟和真实数据中表现优于所比较方法。
- 阅读关注点
- 应核对充分降维依赖的分布条件、流形参数的可识别性，以及降维维度超过样本量时算法适用性的具体含义。
- 阅读边界
- 索引摘要未注明稿件版本；比较方法、评价指标和数据细节未提供，摘要中的优势不能推广到任意张量数据。
原文摘要
We consider supervised learning problems with tensor-valued input. We derive multilinear sufficient reductions for the regression or classification problem by modeling the conditional distribution of the predictors given the response as a member of the quadratic exponential family. We develop estimation procedures of sufficient reductions for both continuous and binary tensor-valued predictors. We prove the consistency and asymptotic normality of the estimated sufficient reduction using manifold theory. For multilinear normal predictors, the estimation algorithm is highly computationally efficient and is also applicable to situations where the dimension of the reduction exceeds the sample size. Our method outperforms competing techniques in both simulated settings and real-world datasets involving continuous and binary tensor-valued predictors.