Asymptotics of Graphical Projection Pursuit
图形投影寻踪的渐近理论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：摘要讨论高维数据投影的通用概率理论，未涉及因子模型或其他所列细分方向。
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
图形投影寻踪的渐近理论
- 研究问题
- 高维数据的低维投影具有什么分布特征，在何种条件下大多数投影近似高斯，这对理解投影图形有何意义？
- 方法与思路
- 作者发展描述高维数据低维投影的数学工具，通过定理刻画适当条件下多数投影的近似高斯性质。
- 材料陈述的贡献
- 摘要称提供了低维投影的理论描述，并给出在适当条件下多数投影近似高斯的定理，但未列明条件和误差界。
- 阅读关注点
- 核对“大多数投影”的概率或几何含义、渐近变化的维度与样本量，以及高斯近似所用距离和数据条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；多数投影近似高斯不保证每个投影均如此，摘要也不足以判断投影寻踪算法表现。
原文摘要
Mathematical tools are developed for describing low-dimensional projections of high-dimensional data. Theorems are given to show that under suitable conditions, most projections are approximately Gaussian.