Dimension reduction based on the Hellinger integral
基于 Hellinger 积分的降维方法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：摘要研究通用充分降维，响应可以离散并不意味着研究离散选择模型，故不作该方向分类。
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
基于 Hellinger 积分的降维方法
- 研究问题
- 如何度量预测变量子空间包含的回归信息，并据此开展充分降维，同时适用于连续或离散响应，连接局部与全局中心子空间？
- 方法与思路
- 作者以二阶 Hellinger 积分表述预测变量子空间的回归信息，研究局部与全局中心子空间的联系，并提出局部估计算法。
- 材料陈述的贡献
- 摘要称提供了新的充分降维表述、局部与全局子空间之间的联系及高效局部算法，模拟和应用展示了相对已有方法的有利表现。
- 阅读关注点
- 应核对 Hellinger 信息度量的定义、局部子空间与全局子空间联系的条件，以及局部算法的调节选择、计算成本和比较设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出算法效率标准和比较细节，不能据此认定方法普遍更优。
原文摘要
Sufficient dimension reduction is a useful tool for studying the dependence between a response and a multi-dimensional predictor. In this article, a new formulation is proposed that is based on the Hellinger integral of order two, introduced as a natural measure of the regression information contained in the predictor subspace. The response may be either continuous or discrete. We establish links between local and global central subspaces, and propose an efficient local estimation algorithm. Simulations and an application show that our method compares favourably with existing approaches.