{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2023,9,4]]，“日期-时间”：“2023-09-04T09:47:42Z”，“时间戳”：1693820862238}，“引用-计数”：10，“发布者”：“威利”，“问题”：“1”，“许可证”：[{“开始”：{“日期-零件”：[2020,10,26]]，“时间”：”2020-1 0-26T00:00:00Z“，”时间戳“：160367040000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“http://\/onlinelibrary.wiley.com/termsAndConditions#vor”}]，“内容域”：{“域”：[“onlinelibrary.wiley.com”]，“crossmark-restriction”：true}，“short-container-title”：[”统计分析“]，”published-print“：{”date-parts“：[2021,2]}，”抽象“：”摘要<\/jats:title>监督降维（SDR）的目标是找到一种紧凑但信息丰富的特征向量表示。大多数SDR算法都是用来解决序列优化问题的，目标函数是L<\/jats:italic>数据的2</jats:sub>范数，例如2010年著名的Fisher判别分析（FDA）。这种目标函数的一个缺点是，它们倾向于导致2010级之间距离较大的方向；然而，如果u2010类之间的较大距离主要来自已经被先前方向很好地分隔开的类，那么新方向对分类精度的改善可以忽略不计。为了解决这个问题，我们引入了一个直接量化分类精度的目标函数，并提出了一个从这个非线性目标函数中顺序检索方向的有效算法。我们算法的一个关键特征是，每个顺序添加的方向都与前面的顺序求解方向互补，以提高简化空间的整体分辨力。因此，我们将新算法命名为\u201cComplementary Dimension Analysis\u201d（CDA）。我们进一步推广了CDA，以检索仅涉及一小部分特征的稀疏方向。最后，我们在几个模拟和实际数据集上演示了我们的算法的实用性<\/jats:p>“，”DOI“：”10.1002\/sam.11484“，”type“：”journal-article“，”created“：{”date-parts“：[[2020,10,26]]，”date-time“：”2020-10-26T12:20:18Z“，”timestamp“：1603714818000}，”page“：，“title”：[“互补降维”]，“前缀”：“10.1002“，“卷”：“14”，“作者”：[{“给定”：“Na”，“家族”：“Cui”，“序列”：“第一”，“从属关系”：[[{”名称“：”江苏苏州CStone制药公司“}]}，{“给出”：“建军”，“家庭”：“胡”，“顺序”：“附加”，“附属关系”：[{“名称”：“Pinterest，Inc.San Francisco California USA”}]}，“ORCID”：“http://ORCID.org\/00000-0002-4173-3003”，“”authenticated-orcid“：false，”given“：”Feng“，”family“：”Liang“，”sequence“：”additional“，”affiliation“：[{”name“：”University of Illinois at Urbana\u2010Champaign-Champaign-Champaign-USA“}]}]，”member“：”311“，”published-online“：{”date-parts“：[[2020,10,26]]}，”reference“：[}”key：“e_1_2_6_2_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1198\/TECH2011008118“｝，｛“issue”：“414”，“key”：“e_1_2_6_3_1”，“first page”：“335”，“volume”：“86”，“author”：“Cook R.D.”，“year”：“1991”，“journal title”：“J.Am.Stat.Assoc.”｝，｛“key”：“e_1_2_6_4_1”，“doi asserted by”：“publisher”，“doi”：“10.1111\/J.1469-1809.1936.tb02137.x”｝，｛“key”：“e_1_2_6_5_1”，“doi由“：”publisher“断言，”doi“：”10.1080\/01621459.1991.10475035“}，{“key”：“e_1_2_6_6_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/34.935849“}、{“key”：”e_1_i_6_7_1“，”doi-assert-by“：”publisher“，“doi”：“10.1111\/j.1751-5823.2012.00182.x”}，“key“：：“10.1016\/j.jmva.2007.06.007”}，{“key”：“e_1_2_6_9_1”，“首页”：“1027”，“article-title“：“通过本地fisher判别分析对多模态标记数据进行降维”，“数量”：“8”，“作者”：“Sugiyama M.”，“年份”：“2007年”，“期刊标题”：“J.Machine Lear。研究“}，{”key“：”e_1_2_6_10_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/j.jmva.2008.04.003”}，}，“key”：“e_1_i_6_11_1”，“doi-assert-by”：“publisher”，“doi:”10.1111\/j.1467-9868.200500503.x“}]，“container-title”：[“统计分析和数据挖掘：ASA Data Science Journal”]，“original title”：[]，“language”“：”en“，”link“：[{”URL“：”https:\/\/onlinelibrary.wiley.com/doi\/pdf\/101002\/sam.11484“，”content-type“：”application\/pdf“，”内容版本“：”vor“，”intended-application“：”text-mining“}，{”URL“：”https:\//onlinelibrary.wiley.com\/doi\/full-xml\/101001\/sam.11484“，mining“}，{”URL“：”https:\/\/onlinelibrary.wiley.com/doi\/pdf\/10.1002\/sam.11484“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2023,9,3]]，”date-time“：“2023-09-03T12:15:57Z”，”timestamp“：1693743357000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\/\/onlinelibrary.wiley.com/doi\/10.1002\/sam.11484“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2020,10,26]]}，“参考计数”：10，“日志发布”：{“发布”：“1”，“发布-打印”：{“日期部分”：[2021,2]}，‘替代id’：[”10.1002\/sam.11484“]，”URL“：“http://\/dx.doi.org\/10.1002\/sam.11484”，“存档”：[“Portico”]，“关系“：{}，”ISSN“：[”1932-1864“，”1932-1872“]，”ISSN-type“：[{”value“：”1932-186“，”type“:”print“}，{”value“：”932-1872”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[2020,10,26]}，“assertion”：[{”value：“2019-12-03”，“order”：0，“name”：“received”，“label”：“received”，“group”：{“name”：“publication_history”，“label”：“publication history”}}，{”value“：”2020-06-25“，”order“：1，”name“：”accepted“，“label”：“accepted”，“group”：{“name”：“publication_history”，“lable”：“publication history”}}，{“value”：“2020-10-26”，“order”：2，“name”:“published”，“label”：”published“，”group“：{”name“:”publication_history“，”label“：”publication-history“}}]}