Distance Shrinkage and Euclidean Embedding via Regularized Kernel Estimation
通过正则化核估计实现距离收缩与欧氏嵌入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：摘要研究通用距离矩阵估计及蛋白序列可视化，未涉及经济网络、金融风险或其他所列方向。
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
通过正则化核估计实现距离收缩与欧氏嵌入
- 研究问题
- 如何从带噪声的观测恢复欧氏距离矩阵，并刻画估计风险，同时避免大型问题中常用优化方法的计算瓶颈？
- 方法与思路
- 作者研究正则化核估计，将其刻画为对观测两两距离施加等量收缩，并据此建立风险界及提出高效计算算法。
- 材料陈述的贡献
- 摘要称风险界支持对象数量增加时平均意义下的一致估计，并以数值实验和 HIV-1 蛋白序列可视化展示应用价值。
- 阅读关注点
- 应核对噪声假设、收缩量与正则化参数的关系、平均一致性的损失定义，以及算法相对锥规划的实际计算表现。
- 阅读边界
- 仅据所给 Crossref 摘要，不能推断其他版本变化；摘要未说明风险界条件或数值大小，平均一致性也不等于逐对距离一致。
原文摘要
Summary Although recovering a Euclidean distance matrix from noisy observations is a common problem in practice, how well this could be done remains largely unknown. To fill in this void, we study a simple distance matrix estimate based on the so-called regularized kernel estimate. We show that such an estimate can be characterized as simply applying a constant amount of shrinkage to all observed pairwise distances. This fact allows us to establish risk bounds for the estimate, implying that the true distances can be estimated consistently in an average sense as the number of objects increases. In addition, such a characterization suggests an efficient algorithm to compute the distance matrix estimator, as an alternative to the usual second-order cone programming which is known not to scale well for large problems. Numerical experiments and an application in visualizing the diversity of Vpu protein sequences from a recent study of human immunodeficiency virus type 1 further demonstrate the practical merits of the method proposed.