Principal component analysis for big data
大数据中的主成分分析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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要是跨学科主成分分析综述，金融工程等背景提及不足以支持具体经济学领域分类。
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…
大数据中的主成分分析
- 研究问题
- 面对大数据的高维结构，主成分分析有哪些主要方法与理论进展，它与因子分析及若干机器学习问题之间存在什么联系？
- 方法与思路
- 文章从数学表述与扰动分析梳理主成分分析，讨论因子分析、协方差估计和多重检验，并介绍社区检测、排序等应用。
- 材料陈述的贡献
- 摘要将本文定位为近十年主成分分析方法与理论进展的综述，整理降维工具及其多类应用，未声称提出统一的新估计方法。
- 阅读关注点
- 应核对综述涵盖的研究范围、各类扰动理论的适用条件，以及主成分分析与因子分析、社区检测等问题之间的具体连接。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与接收未经核验；摘要未列具体文献或定理，不能据此判断综述完整性及方法比较结论。
原文摘要
Big data is transforming our world, revolutionizing operations and analytics everywhere, from financial engineering to biomedical sciences. The complexity of big data often makes dimension reduction techniques necessary before conducting statistical inference. Principal component analysis, commonly referred to as PCA, has become an essential tool for multivariate data analysis and unsupervised dimension reduction, the goal of which is to find a lower dimensional subspace that captures most of the variation in the dataset. This article provides an overview of methodological and theoretical developments of PCA over the last decade, with focus on its applications to big data analytics. We first review the mathematical formulation of PCA and its theoretical development from the view point of perturbation analysis. We then briefly discuss the relationship between PCA and factor analysis as well as its applications to large covariance estimation and multiple testing. PCA also finds important applications in many modern machine learning problems, and we focus on community detection, ranking, mixture model and manifold learning in this paper.