Kurtosis-based projection pursuit for matrix-valued data
基于峰度的矩阵数据投影寻踪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：摘要研究矩阵数据投影寻踪与高斯混合分离，未明确涉及所列经济计量细分方向。
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…
基于峰度的矩阵数据投影寻踪
- 研究问题
- 对于天然具有矩阵形式的数据，如何构造保留其双侧结构的投影指标，并在没有类别标签时寻找区分两个群体的方向？
- 方法与思路
- 作者扩展经典峰度与 Mardia 多元峰度，构造两个投影指标：前者同时估计矩阵两侧投影，后者分别寻找两侧投影。
- 材料陈述的贡献
- 摘要称，两种指标均能在无标签的两组高斯混合中恢复最优分离投影，并给出样本估计量的强一致性及模拟和实例展示。
- 阅读关注点
- 应核对两种指标的定义、最优分离所需的混合模型条件、强一致性证明条件，以及双侧投影在计算中的实现方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体模型条件和数值表现未提供，不能将最优分离结论推广到任意矩阵分布。
原文摘要
We develop projection pursuit for data that admit a natural representation in matrix form. For projection indices, we propose extensions of the classical kurtosis and Mardia's multivariate kurtosis. The first index estimates projections for both sides of the matrices simultaneously, while the second index finds the two projections separately. Both indices are shown to recover the optimally separating projection for two-group Gaussian mixtures in the full absence of any label information. We further establish the strong consistency of the corresponding sample estimators. Simulations and a real data example on hand-written postal code data are used to demonstrate the method.