Empirical Bayes PCA in High Dimensions
高维经验贝叶斯主成分分析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：摘要聚焦通用高维 PCA 与基因数据，主成分方法本身不足以归入宏观因子或金融因子模型。
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
高维经验贝叶斯主成分分析
- 研究问题
- 当数据维度接近或超过样本量时，如何利用主成分的联合先验结构减少 PCA 的高维噪声，并在未知先验下获得较高估计精度？
- 方法与思路
- 作者结合 Kiefer–Wolfowitz 非参数极大似然先验估计、随机矩阵理论中的样本主成分分布结果，以及近似消息传递算法的迭代改进。
- 材料陈述的贡献
- 摘要称，在指定尖峰模型设定下，EB-PCA 达到已知真实先验的贝叶斯算法之最优精度；强先验结构下的模拟及基因数据基准支持其改善。
- 阅读关注点
- 应核对尖峰模型与先验结构、最优精度所针对的损失及条件，检查先验估计和迭代算法，并了解基因数据基准的构造方式。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明完整理论条件及改善幅度，贝叶斯最优性和经验改善均有特定设定，不能推断普遍优势或刊本变化。
原文摘要
Abstract When the dimension of data is comparable to or larger than the number of data samples, principal components analysis (PCA) may exhibit problematic high-dimensional noise. In this work, we propose an empirical Bayes PCA method that reduces this noise by estimating a joint prior distribution for the principal components. EB-PCA is based on the classical Kiefer–Wolfowitz non-parametric maximum likelihood estimator for empirical Bayes estimation, distributional results derived from random matrix theory for the sample PCs and iterative refinement using an approximate message passing (AMP) algorithm. In theoretical ‘spiked’ models, EB-PCA achieves Bayes-optimal estimation accuracy in the same settings as an oracle Bayes AMP procedure that knows the true priors. Empirically, EB-PCA significantly improves over PCA when there is strong prior structure, both in simulation and on quantitative benchmarks constructed from the 1000 Genomes Project and the International HapMap Project. An illustration is presented for analysis of gene expression data obtained by single-cell RNA-seq.