Fast Partial Quantile Regression
快速偏分位数回归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：摘要核心是把偏最小二乘降维推广到分位数回归以获得稳健的分位数估计，直接对应“分位数与分布效应”这一细分方向；其余领域细分在摘要中没有文本依据。
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…
快速偏分位数回归
- 研究问题
- 摘要称，偏最小二乘（PLS）与普通最小二乘（OLS）都只给出基于均值的估计，对离群值或重尾分布极为敏感；本文要解决的问题是如何把多变量 PLS 推广到分位数回归框架，从而在共线或高维数据下获得稳健的分位数估计。
- 方法与思路
- 作者提出将多变量 PLS 扩展到分位数回归框架，给出该问题的理论表述，构造一种称为 fast partial quantile regression（fPQR）的稳健降维方法，并推导其高效实现；摘要称通过模拟实验与化学计量学中著名的 biscuit dough 高维数据集考察其表现。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：给出多变量 PLS 在分位数回归框架下的理论表述，提出 fPQR 这一基于分位数的稳健降维技术，并给出其高效实现，同时以模拟和真实高维数据示例展示其性能。
- 阅读关注点
- 阅读全文时应核对：fPQR 的具体目标函数与迭代算法、收敛性与计算复杂度、与已有分位数 PLS 类方法的差异、模拟设计中的样本量维度与误差分布设定、biscuit dough 数据的评价指标，以及是否报告与基准方法的比较结果。
- 阅读边界
- 仅凭摘要无法判断 fPQR 的识别条件、理论保证（如一致性或收敛率）、超参数选择方式与实证优越性；摘要未说明模拟的具体设置与数值结果，也未说明与竞争方法的比较细节。该文为 arXiv 预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
Partial least squares (PLS) is a dimensionality reduction technique used as an alternative to ordinary least squares (OLS) in situations where the data is colinear or high dimensional. Both PLS and OLS provide mean based estimates, which are extremely sensitive to the presence of outliers or heavy tailed distributions. In contrast, quantile regression is an alternative to OLS that computes robust quantile based estimates. In this work, the multivariate PLS is extended to the quantile regression framework, obtaining a theoretical formulation of the problem and a robust dimensionality reduction technique that we call fast partial quantile regression (fPQR), that provides quantile based estimates. An efficient implementation of fPQR is also derived, and its performance is studied through simulation experiments and the chemometrics well known biscuit dough dataset, a real high dimensional example.