The high-dimension, low-sample-size geometric representation holds under mild conditions
高维小样本的几何表示在较弱条件下成立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：摘要属于一般高维几何理论，提及主成分分析与变量时间序列化假设不构成宏观因子或时间序列应用证据。
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…
高维小样本的几何表示在较弱条件下成立
- 研究问题
- 当样本量固定而维度增加时，高维数据近似形成正单纯形的几何表示，能否在弱于变量近乎独立的条件下成立？
- 方法与思路
- 作者利用样本协方差矩阵的渐近性质建立等价几何表示，并讨论主成分分析、非独立样本扩展与二分类问题。
- 材料陈述的贡献
- 摘要称在明显较弱的条件下获得已有高维几何表示，并讨论这一结果对高维主成分分析及相关统计问题的含义。
- 阅读关注点
- 应核对较弱条件的具体形式、变量依赖与样本依赖的区别，以及几何表示能为主成分分析和分类提供哪些实际结论。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；较弱条件、收敛尺度和分类表现未说明，不能据主成分分析推断因子模型结论或刊本变化。
原文摘要
High-dimension, low-small-sample size datasets have different geometrical properties from those of traditional low-dimensional data. In their asymptotic study regarding increasing dimensionality with a fixed sample size, Hall et al. (2005) showed that each data vector is approximately located on the vertices of a regular simplex in a high-dimensional space. A perhaps unappealing aspect of their result is the underlying assumption which requires the variables, viewed as a time series, to be almost independent. We establish an equivalent geometric representation under much milder conditions using asymptotic properties of sample covariance matrices. We discuss implications of the results, such as the use of principal component analysis in a high-dimensional space, extension to the case of nonindependent samples and also the binary classification problem.