阵列值数据集的分析通常涉及缩减的数组近似，通常通过最小二乘或数组分解的截断获得。然而，最小二乘近似在高维设置中往往是有噪声的，并且可能不适用于包括离散或有序测量的阵列。本文开发了获得连续、离散和有序数据阵列的低阶模型表示的方法。该模型基于平均数组的参数化，将其作为缩减后的核数组和一组指数特定的正交特征向量矩阵的多线性乘积。证明了在不变先验分布下，如何从贝叶斯方法中获得正交等变参数估计。此外，开发了核心阵列上的先验函数，作为正则化子，从而改进了对标准最小二乘估计量的推断，并对阵列秩的错误指定提供了鲁棒性。这种基于模型的方法通过半参数转换模型扩展到适应离散或有序数据阵列。由此得到的低秩表示是无标度的，即它对数据数组的单调变换是不变的。在多元离散网络数据集的示例分析中，这种无标度方法提供了更完整的数据模式描述。