Robust functional PCA for relative data
面向相对数据的稳健函数型主成分分析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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论的是函数型主成分分析与密度数据的稳健估计方法，属于函数型数据分析与稳健统计方向，与所列微观、宏观、金融等计量领域细分均无直接文本对应，故留空。
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…
面向相对数据的稳健函数型主成分分析
- 研究问题
- 摘要称，针对密度函数等相对数据，已有研究多在 Bayes 空间框架下进行，但如何在存在异常观测与较大噪声时稳健地估计函数型主成分，关注仍然有限。
- 方法与思路
- 作者提出把 Mahalanobis 距离概念推广到 Bayes 空间，并给出考虑密度数据内在约束的正则化版本，据此构造稳健密度主成分分析（RDPCA）方法。
- 材料陈述的贡献
- 摘要称该扩展为密度数据提供了稳健的距离度量，并据此提出 RDPCA，用于在存在离群值时更准确地估计函数型主成分；模拟与实证应用显示其相对传统方法改善了协方差估计与主成分分析。
- 阅读关注点
- 应核对 Bayes 空间上 Mahalanobis 距离及其正则化的定义与约束处理方式、RDPCA 的算法与调参、模拟设计中的离群值机制，以及实证数据的来源与评价指标。
- 阅读边界
- 仅凭摘要无法判断识别条件、理论性质、收敛性或稳健性保证，也无法核实模拟与实证的具体数值结论；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
This paper introduces a robust approach to functional principal component analysis (FPCA) for relative data, particularly density functions. While recent papers have studied density data within the Bayes space framework, there has been limited focus on developing robust methods to effectively handle anomalous observations and large noise. To address this, we extend the Mahalanobis distance concept to Bayes spaces, proposing its regularized version that accounts for the constraints inherent in density data. Based on this extension, we introduce a new method, robust density principal component analysis (RDPCA), for more accurate estimation of functional principal components in the presence of outliers. The method's performance is validated through simulations and real-world applications, showing its ability to improve covariance estimation and principal component analysis compared to traditional methods.