GT-PCA: Effective and Interpretable Dimensionality Reduction with General Transform-Invariant Principal Component Analysis
GT-PCA：基于一般变换不变主成分分析的有效且可解释降维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。
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：摘要讨论通用变换不变降维，虽提到时间序列和平移，但未明确开展时间序列计量、经济因子建模或其他所列领域研究。
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
GT-PCA：基于一般变换不变主成分分析的有效且可解释降维
- 研究问题
- 在图像旋转、图像或时间序列平移等变换下，如何让降维方法保持不变性，同时保留主成分方法的可解释性并改善经验表现？
- 方法与思路
- 作者提出一般变换不变主成分分析，并使用神经网络高效估计其成分，通过合成数据和真实数据实验与传统 PCA 及其他方法比较。
- 材料陈述的贡献
- 摘要称，GT-PCA 提供兼具变换不变性和可解释性的降维替代方案，并在所考察实验中显著优于比较方法；未给出具体效果或解释性评价标准。
- 阅读关注点
- 应核对允许的变换集合、不变性如何实现、成分定义与可识别性，以及网络训练目标、解释性证据和与其他方法比较时的调参公平性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明理论保证、数据规模和评价指标，不能据此判断普遍优势或经济学适用性。
原文摘要
Data analysis often requires methods that are invariant with respect to specific transformations, such as rotations in case of images or shifts in case of images and time series. While principal component analysis (PCA) is a widely-used dimension reduction technique, it lacks robustness with respect to these transformations. Modern alternatives, such as autoencoders, can be invariant with respect to specific transformations but are generally not interpretable. We introduce General Transform-Invariant Principal Component Analysis (GT-PCA) as an effective and interpretable alternative to PCA and autoencoders. We propose a neural network that efficiently estimates the components and show that GT-PCA significantly outperforms alternative methods in experiments based on synthetic and real data.