On dimension folding of matrix- or array-valued statistical objects
矩阵与数组型统计对象的维度折叠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：摘要讨论数组预测变量的通用降维与脑电分类，未提供所列计量领域细分的直接依据。
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
矩阵与数组型统计对象的维度折叠
- 研究问题
- 当回归或分类的预测变量具有矩阵或多维数组结构时，如何降维并保留各维度对应的测量组织方式？
- 方法与思路
- 作者提出“维度折叠”，为矩阵和数组型预测变量构造保留数组结构的降维方法，并以脑电分类任务展示应用。
- 材料陈述的贡献
- 摘要称该方法保留传统降维难以保留的数组结构；脑电应用中，交叉验证样本的122名受试者有97名分类正确。
- 阅读关注点
- 应核对维度折叠的数学定义、降维目标与估计步骤，以及脑电数据的预处理、验证划分和分类性能比较方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。摘要未说明理论条件、比较基准及分类结果的不确定性。
原文摘要
We consider dimension reduction for regression or classification in which the predictors are matrix- or array-valued. This type of predictor arises when measurements are obtained for each combination of two or more underlying variables—for example, the voltage measured at different channels and times in electroencephalography data. For these applications, it is desirable to preserve the array structure of the reduced predictor (e.g., time versus channel), but this cannot be achieved within the conventional dimension reduction formulation. In this paper, we introduce a dimension reduction method, to be called dimension folding, for matrix- and array-valued predictors that preserves the array structure. In an application of dimension folding to an electroencephalography data set, we correctly classify 97 out of 122 subjects as alcoholic or nonalcoholic based on their electroencephalography in a cross-validation sample.