Identifiable and interpretable nonparametric factor analysis
可识别且可解释的非参数因子分析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：摘要属于通用非参数因子分析，应用为鸟鸣数据，缺乏宏观或金融因子研究的直接依据。
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…
可识别且可解释的非参数因子分析
- 研究问题
- 如何在样本量有限的高维数据中构建灵活、可解释且可识别的因子模型，并处理潜变量后验偏移造成的推断偏差？
- 方法与思路
- 作者提出 NIFTY：采用线性因子结构和高斯残差，将潜变量建模为均匀潜在位置的非线性变换，结合扩散映射、MCMC 后处理与软约束。
- 材料陈述的贡献
- 摘要称，共享潜在位置可容纳低维非线性结构，相关处理实现可识别性并缓解后验偏移；模拟展示密度估计和可视化表现。
- 阅读关注点
- 应核对共享潜在位置的结构限制、扩散映射与后处理如何实现识别，以及均匀分布软约束对拟合、预测和生成结果的影响。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未说明识别条件、约束强度或比较细节，鸟鸣应用不足以支持宏观或金融分类。
原文摘要
Factor models are widely used to reduce dimensionality in modeling high-dimensional data. However, there remains a need for models that can be reliably fit in modest sample sizes and are identifiable, interpretable, and flexible. To address this gap, we propose a NIFTY model that uses a linear factor structure with Gaussian residuals, but with a novel latent variable modeling structure. In particular, we model each latent variable as a one-dimensional nonlinear mapping of a uniform latent location. A key innovation is allowing different latent variables to be transformations of the same latent locations, accommodating intrinsic lower-dimensional nonlinear structures. Leveraging on pre-trained data obtained by diffusion maps and post-processing of MCMC samples, we obtain model identifiability. In addition, we softly constrain the empirical distribution of the latent locations to be close to uniform to address a latent posterior shift problem, which is common in factor models and can lead to substantial bias in parameter inferences, predictions, and generative modeling. We show good performance in density estimation and data visualization in simulations, and apply NIFTY to bird song data in an environmental monitoring application.