Functional sufficient dimension reduction through average Fréchet derivatives
基于平均 Fréchet 导数的函数型充分降维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：摘要研究函数型回归的通用降维方法，没有直接涉及所列因子模型或结构估计方向。
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
基于平均 Fréchet 导数的函数型充分降维
- 研究问题
- 当响应与预测变量均为函数时，如何在非参数回归中提取充分降维空间，并减少对常见分布条件的依赖？
- 方法与思路
- 作者定义函数型中心均值子空间与中心子空间，并利用平均 Fréchet 导数将回归梯度扩展至算子层面以估计这些空间。
- 材料陈述的贡献
- 摘要称估计具有无偏性与穷尽性，无需常见线性及常方差条件；并在展开项数和内在维数增长时建立一致收敛。
- 阅读关注点
- 应核对无偏性与穷尽性的定义、导数存在条件，以及展开截断、维数增长和空间估计误差之间的限制。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；免除部分分布条件不等于无需其他假设，具体收敛率和实例结果未提供。
原文摘要
Sufficient dimension reduction (SDR) embodies a family of methods that aim for reduction of dimensionality without loss of information in a regression setting. In this article, we propose a new method for nonparametric function-on-function SDR, where both the response and the predictor are a function. We first develop the notions of functional central mean subspace and functional central subspace, which form the population targets of our functional SDR. We then introduce an average Fréchet derivative estimator, which extends the gradient of the regression function to the operator level and enables us to develop estimators for our functional dimension reduction spaces. We show the resulting functional SDR estimators are unbiased and exhaustive, and more importantly, without imposing any distributional assumptions such as the linearity or the constant variance conditions that are commonly imposed by all existing functional SDR methods. We establish the uniform convergence of the estimators for the functional dimension reduction spaces, while allowing both the number of Karhunen-Loève expansions and the intrinsic dimension to diverge with the sample size. We demonstrate the efficacy of the proposed methods through both simulations and two real data examples.