Population Value Decomposition, a Framework for the Analysis of Image Populations
总体值分解：图像总体分析的框架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：摘要主旨为图像总体降维，虽有重复访问应用，但未明确面板估计或经济因子模型方法，不凭数据形式强行归类。
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…
总体值分解：图像总体分析的框架
- 研究问题
- 面对大量受试者在多次访问中记录的巨大图像数组，如何同时降低整组图像的维度，并将降维结果纳入统计建模与推断？
- 方法与思路
- 作者提出总体值分解 PVD，对大型图像总体进行同时降维，并展示其与统计建模的结合，应用于睡眠心脏健康研究。
- 材料陈述的贡献
- 摘要称，PVD 提供一般性的图像总体降维方法及透明、快速的推断框架；应用数据涉及数千名受试者两次访问的海量观测。
- 阅读关注点
- 应核对分解对象、维度选择和计算步骤，检查降维误差如何进入后续推断，以及多次访问造成的个体内依赖如何处理。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要。分解公式、误差保证及速度比较未说明，不能认定降维保留所有相关信息或推断刊本变化。
原文摘要
Images, often stored in multidimensional arrays, are fast becoming ubiquitous in medical and public health research. Analyzing populations of images is a statistical problem that raises a host of daunting challenges. The most significant challenge is the massive size of the datasets incorporating images recorded for hundreds or thousands of subjects at multiple visits. We introduce the population value decomposition (PVD), a general method for simultaneous dimensionality reduction of large populations of massive images. We show how PVD can be seamlessly incorporated into statistical modeling, leading to a new, transparent, and rapid inferential framework. Our PVD methodology was motivated by and applied to the Sleep Heart Health Study, the largest community-based cohort study of sleep containing more than 85 billion observations on thousands of subjects at two visits. This article has supplementary material online.