Intrinsic Riemannian Functional Sufficient Dimension Reduction and Beyond
内蕴黎曼函数型充分降维及其扩展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：摘要涉及通用几何与函数型降维，Wasserstein 数据本身不足以归入分位数或分布效应。
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
内蕴黎曼函数型充分降维及其扩展
- 研究问题
- 当预测变量是黎曼流形上的随机过程、响应是度量空间中的复杂对象时，如何恢复保留回归信息的中心子空间？
- 方法与思路
- 作者提出内蕴黎曼函数型加权逆回归集成与加权方向回归两种方法，并说明可扩展到 Wasserstein 函数型预测变量。
- 材料陈述的贡献
- 摘要称建立两种方法的无偏性和最优收敛速度，并通过模拟及球面和 Wasserstein 函数型数据展示适用性。
- 阅读关注点
- 应核对中心子空间在流形预测变量下的定义、无偏性对应的对象，以及最优速度所需的几何和分布条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；理论条件及最优性的比较范围未说明，不能据此判断任意复杂对象上的有效性。
原文摘要
This article focuses on linear sufficient dimension reduction with Riemannian random processes as predictors and complex random objects in a metric space as responses. We propose two novel methods—Intrinsic Riemannian Functional Weighted Inverse Regression Ensemble (iRF-WIRE) and Intrinsic Riemannian Functional Weighted Directional Regression (iRF-WDR)—to recover the central subspace. These methods can be readily extended to Wasserstein functional predictors. We establish their theoretical properties, including unbiasedness and optimal convergence rates, and conduct extensive simulation studies to assess their performance. Finally, we demonstrate the broad applicability of the proposed methods through two real-world datasets involving spherical functional data and Wasserstein functional data. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.