Additive models for symmetric positive-definite matrices and Lie groups
对称正定矩阵与李群上的加性模型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：摘要研究矩阵值响应与流形加性回归，未提供与所列计量领域细分直接对应的证据。
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
对称正定矩阵与李群上的加性模型
- 研究问题
- 当响应变量是对称正定矩阵、解释变量为多个标量时，如何建立既保留几何结构又便于估计的加性回归模型？
- 方法与思路
- 作者利用 log-Cholesky 或 log-Euclidean 框架的交换群结构建立模型，并通过切空间联系估计分量函数及拓展流形模型。
- 材料陈述的贡献
- 摘要称，分量估计具有最优渐近收敛率与渐近正态性，算法计算高效，并以脑扩散张量成像数据展示实际应用。
- 阅读关注点
- 应核对两种几何框架对应的模型解释、分量识别约束、切空间算法，以及最优收敛率和维数影响结论的条件。
- 阅读边界
- 仅据所给 Crossref 摘要；正则条件与数值结果未说明，避免维数灾难的陈述不能泛化为任意矩阵回归模型的性质。
原文摘要
Summary We propose and investigate an additive regression model for symmetric positive-definite matrix-valued responses and multiple scalar predictors. The model exploits the Abelian group structure inherited from either of the log-Cholesky and log-Euclidean frameworks for symmetric positive-definite matrices and naturally extends to general Abelian Lie groups. The proposed additive model is shown to connect to an additive model on a tangent space. This connection not only entails an efficient algorithm to estimate the component functions, but also allows one to generalize the proposed additive model to general Riemannian manifolds. Optimal asymptotic convergence rates and normality of the estimated component functions are established, and numerical studies show that the proposed model enjoys good numerical performance, and is not subject to the curse of dimensionality when there are multiple predictors. The practical merits of the proposed model are demonstrated through an analysis of brain diffusion tensor imaging data.