Fréchet sufficient dimension reduction for random objects
随机对象的 Fréchet 充分降维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：摘要研究通用随机对象回归降维，未明确因子模型、分布效应或其他所列细分方向。
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…
随机对象的 Fréchet 充分降维
- 研究问题
- 当响应是度量空间中的复杂随机对象、预测变量是高维欧氏向量时，如何提取保留响应相关信息的低维表示？
- 方法与思路
- 作者提出加权逆回归集成方法实现线性 Fréchet 充分降维，并将其推广为再生核希尔伯特空间上的非线性降维算子。
- 材料陈述的贡献
- 摘要称，研究提供新方法的渐近理论保证，以模拟检验表现，并通过手写数字和真实情感面孔数据展示实际用途。
- 阅读关注点
- 应核对随机对象所用度量、充分降维的定义、加权逆回归构造，以及非线性算子的核选择和渐近保证所需条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明具体渐近性质、维数选择或适用度量，不能据此认定任意随机对象均可有效降维。
原文摘要
Summary We consider Fréchet sufficient dimension reduction with responses being complex random objects in a metric space and high-dimensional Euclidean predictors. We propose a novel approach, called the weighted inverse regression ensemble method, for linear Fréchet sufficient dimension reduction. The method is further generalized as a new operator defined on reproducing kernel Hilbert spaces for nonlinear Fréchet sufficient dimension reduction. We provide theoretical guarantees for the new method via asymptotic analysis. Intensive simulation studies verify the performance of our proposals, and we apply our methods to analyse handwritten digit data and real-world affective face data to demonstrate its use in real applications.