Scale-Invariant Sparse PCA on High-Dimensional Meta-Elliptical Data
高维元椭圆数据的尺度不变稀疏主成分分析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：摘要讨论通用半参数稀疏主成分分析，未明确研究经济或金融因子，细分分类依据不足。
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…
高维元椭圆数据的尺度不变稀疏主成分分析
- 研究问题
- 针对高维非高斯数据，如何开展尺度不变的稀疏主成分分析，并在较灵活的分布模型下应对可能的数据污染？
- 方法与思路
- 作者提出半参数稀疏主成分方法，采用基于秩的计算程序，在灵活的半参数分布族内估计目标参数。
- 材料陈述的贡献
- 摘要称，该方法达到参数收敛速率，计算效率与稀疏主成分分析相当，并在模拟和真实数据中优于多数比较方法。
- 阅读关注点
- 应核对尺度不变性对应的估计目标、元椭圆模型和稀疏条件，以及污染设置、收敛速率与计算效率的比较依据。
- 阅读边界
- 摘要未说明目标参数、速率成立条件或污染范围，不能推定普遍优越。所据索引摘要版本未注明，刊本变化未知。
原文摘要
We propose a semiparametric method for conducting scale-invariant sparse principal component analysis (PCA) on high dimensional non-Gaussian data. Compared with sparse PCA, our method has weaker modeling assumption and is more robust to possible data contamination. Theoretically, the proposed method achieves a parametric rate of convergence in estimating the parameter of interests under a flexible semiparametric distribution family; Computationally, the proposed method exploits a rank-based procedure and is as efficient as sparse PCA; Empirically, our method outperforms most competing methods on both synthetic and real-world datasets.