Dynamic Principal Component Analysis in High Dimensions
高维动态主成分分析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：摘要明确研究动态随机过程及随时间变化的协方差特征向量，与时间序列方法直接相关。
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…
高维动态主成分分析
- 研究问题
- 当高维数据收集过程中协方差结构持续变化时，如何直接估计随时间变化的主特征向量，并处理规则或不规则观测设计？
- 方法与思路
- 作者将局部线性平滑、正则化惩罚和正交约束结合为优化问题，使用流形优化算法求解，并在稀疏性条件下研究估计性质。
- 材料陈述的贡献
- 摘要称建立统一的动态特征向量估计框架，适用于共同及不规则观测设计，并以模拟和实际数据展示方法的有效性。
- 阅读关注点
- 应核对时间平滑假设、特征值间隔与稀疏性条件、正交约束的求解方式，以及不规则设计下误差与调参的处理。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列具体理论结论，不能据此断言适用于任意动态过程或宏观因子模型。
原文摘要
Principal component analysis is a versatile tool to reduce dimensionality which has wide applications in statistics and machine learning. It is particularly useful for modeling data in high-dimensional scenarios where the number of variables p is comparable to, or much larger than the sample size n. Despite an extensive literature on this topic, researchers have focused on modeling static principal eigenvectors, which are not suitable for stochastic processes that are dynamic in nature. To characterize the change in the entire course of high-dimensional data collection, we propose a unified framework to directly estimate dynamic eigenvectors of covariance matrices. Specifically, we formulate an optimization problem by combining the local linear smoothing and regularization penalty together with the orthogonality constraint, which can be effectively solved by manifold optimization algorithms. We show that our method is suitable for high-dimensional data observed under both common and irregular designs, and theoretical properties of the estimators are investigated under lq(0≤q≤1) sparsity. Extensive experiments demonstrate the effectiveness of the proposed method in both simulated and real data examples.