Kenji Fukumizu;冷晨蕾 基于梯度的回归核降维。 (英语) Zbl 1367.62118号 美国统计协会。 109,No.505,359-370(2014). 摘要:本文提出了一种新的线性降维方法,该方法使用带有正定核或再生核希尔伯特空间(RKHS)的非参数估计进行回归。降维的目的是在解释变量中找到足够解释响应的方向:这被称为充分降维该方法基于映射到RKHS的特征向量所考虑的回归函数梯度的估计。结果表明,该方法能够估计出达到足够降维的方向。与现有的其他方法相比,该方法具有广泛的适用性,不需要对变量的分布或类型进行强假设,只需特征分解即可估计投影矩阵。理论分析表明,在某些条件下,该估计量与一定的速率是一致的。实验结果表明,即使对于高维解释变量,该方法也能通过高效的计算成功地找到有效的方向。 引用于23文件 MSC公司: 62G08号 非参数回归和分位数回归 62G07年 密度估算 关键词:有条件的独立性;核方法;再生核希尔伯特空间;充分降维 PDF格式BibTeX公司 XML格式引用 \textit{K.Fukumizu}和\textit{C.Leng},美国统计协会期刊109,第505、359--370号(2014;Zbl 1367.62118) 全文: 内政部 参考文献: [1] 内政部:10.1090/S0002-9947-1950-0051437-7·doi:10.1090/S0002-9947-1950-0051437-7 [2] 贝克·C.R.,《美国数学学会学报》186 pp 273–(1973)·doi:10.1090/S0002-9947-1973-0336795-3 [3] DOI:10.1016/j.jco.2006.07.001·Zbl 1109.68088号 ·doi:10.1016/j.jco.2006.07.001 [4] Bernard-Michel C.,《生物统计学》,第64页,982页–(2008年)·Zbl 1145.62351号 ·doi:10.1111/j.1541-0420.2008.01080.x [5] Boser B.E.,第五届ACM计算学习理论年度研讨会,第144页–(1992)·doi:10.1145/130385.130401 [6] 内政部:10.1198/016214501753208979·Zbl 1047.62035号 ·doi:10.1198/016214501753208979 [7] DOI:10.1007/s10208-006-0196-8·Zbl 1129.68058号 ·doi:10.1007/s10208-006-0196-8 [8] Chang C.-C.,《ACM智能系统与技术汇刊》第1页–(2011年)·数字对象标识代码:10.1145/1961189.1961199 [9] 内政部:10.1080/01621459.1994.10476459·doi:10.1080/01621459.1994.10476459 [10] 内政部:10.1002/9780470316931·数字对象标识代码:10.1002/9780470316931 [11] 内政部:10.1080/01621459.1999.10473873·doi:10.1080/01621459.1999.10473873 [12] 库克·R.D.,《美国统计协会杂志》,第86页,第328页–(1991年) [13] Fan J.,局部多项式建模及其应用(1996)·Zbl 0873.62037号 [14] 内政部:10.1080/01621459.1998.10474095·doi:10.1080/01621459.1998.10474095 [15] Fine S.,《机器学习研究杂志》2,第243页–(2001) [16] Fukumizu K.,《机器学习研究杂志》5,第73页–(2004) [17] DOI:10.1214/08-AOS637·Zbl 1168.62049号 ·doi:10.1214/08-AOS637 [18] Fukumizu K.,《神经信息处理系统进展》,第20页,489页–(2008年) [19] Gretton A.,《应用统计年鉴》3,第1285页–(2009年)·Zbl 1454.62175号 ·doi:10.1214/09-AOAS312E [20] Gretton A.,《神经信息处理系统进展》,第20页,585页–(2008年) [21] Gretton A.,《机器学习研究杂志》,第6页,2075页–(2005年) [22] Gretton A.,《第十届人工智能与统计国际研讨会论文集》,第112页–(2005年) [23] 内政部:10.1214/009053607000000677·Zbl 1151.30007号 ·doi:10.1214/00905360000000677 [24] Hristache M.,《统计年鉴》29,第1537页–(2001年) [25] 邢涛,《统计年鉴》37页726页–(2009)·Zbl 1162.62053号 ·doi:10.1214/07-AOS589 [26] DOI:10.1214/11-aos332·Zbl 1246.62153号 ·doi:10.1214/11-AOS932 [27] 内政部:10.1198/0162145000000536·Zbl 1469.62300号 ·doi:10.1198/0162145000000536 [28] 内政部:10.1214/009053605000000192·Zbl 1078.62033号 ·doi:10.1214/009053605000000192 [29] Li K.-C.,《美国统计协会杂志》,第86页,316页–(1991)·数字对象标识代码:10.1080/01621459.1991.10475035 [30] 内政部:10.1080/01621459.1992.10476258·doi:10.1080/01621459.1992.10476258 [31] Liu S.,《国际数字内容技术及其应用杂志》,第5页,第126页–(2011年) [32] 内政部:10.1080/01621459.1993.10476348·doi:10.1080/01621459.1993.10476348 [33] Schölkopf B.,《与内核一起学习》(2002) [34] 内政部:10.1080/01621459.1994.10476455·doi:10.1080/01621459.1994.10476455 [35] DOI:10.1016/j.acha.2005.03.001·Zbl 1107.94008号 ·doi:10.1016/j.acha.2005.03.001 [36] 内政部:10.1007/s00365-006-0659-y·Zbl 1127.68088号 ·doi:10.1007/s00365-006-0659-y [37] Song L.,《第26届机器学习国际会议论文集》(ICML2009)第961页–(2009) [38] Song L.,《神经信息处理系统进展》,第20卷,第1385页–(2008) [39] Sriperumbudur B.K.,《机器学习研究杂志》11 pp 1517–(2010) [40] Steinwart I.,支持向量机(2008) [41] Stewart G.W.,矩阵摄动理论(1990)·Zbl 0706.65013号 [42] 内政部:10.1137/1.9781611970128·doi:10.1137/1.9781611970128 [43] Widom H.,《美国数学学会会刊》109第278页–(1963年)·doi:10.1090/S0002-9947-1963-0155161-0 [44] 内政部:10.1007/BF00282438·Zbl 0183.11701号 ·doi:10.1007/BF00282438 [45] 内政部:10.1198/106186008X345161·doi:10.19198/106186008X345161 [46] 内政部:10.1111/1467-9868.03411·Zbl 1091.62028号 ·doi:10.1111/1467-9868.03411 [47] 尹欣,《中国统计》,第15页,1069页–(2005) [48] 钟伟,生物信息学21,第4169页–(2005)·doi:10.1093/bioinformatics/bti680 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。