Convergence of sample eigenvalues, eigenvectors, and principal component scores for ultra-high dimensional data
超高维数据中样本特征值、特征向量与主成分得分的收敛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：摘要研究通用主成分分析，未明确建立宏观或金融因子模型。
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
超高维数据中样本特征值、特征向量与主成分得分的收敛
- 研究问题
- 当特征数和样本量同时增长，且二者之比也不断增大时，样本主成分分析的特征值、特征向量和得分具有怎样的性质？
- 方法与思路
- 作者在超高维渐近框架中研究主成分分析，将有限维与高维小样本情形纳入更一般框架，并以数值分析展示已有结果的适用性。
- 材料陈述的贡献
- 摘要称，论文连接有限维与高维小样本两类既有结果，提供统一分析框架；具体收敛结论和所需谱结构未说明。
- 阅读关注点
- 应核对维度与样本量的增长关系、总体谱的限制，以及特征值、特征向量和得分的收敛对象、度量与不同结论。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要未列出具体收敛结果，数值展示也不能证明有限维结论无条件通用。
原文摘要
The development of high-throughput biomedical technologies has led to increased interest in the analysis of high-dimensional data where the number of features is much larger than the sample size. In this paper, we investigate principal component analysis under the ultra-high dimensional regime, where both the number of features and the sample size increase as the ratio of the two quantities also increases. We bridge the existing results from the finite and the high-dimension low sample size regimes, embedding the two regimes in a more general framework. We also numerically demonstrate the universal application of the results from the finite regime.