Sabrina A.罗德里格斯。;Richard哈金斯;利基特、贝诺特 中心子空间综述：方法和应用。 （英语） Zbl 07585642号 统计调查。 16, 210-237 (2022). 摘要：中心子空间一直是充分降维的关键概念。中心子空间方法最初是为解决（p<n）环境中的问题而构建的，它已经取得了许多成功和发展。然而，在过去的几年里，随着技术的进步，许多统计问题现在处于高维环境中。在本文中，我们回顾了中心子空间的理论，并对（p\leqn）、（p>n）和大数据环境下的中心子空间方法进行了更新综述。我们还为这些技术开发了一个新的分类系统，并列出了一些可用于估计中心子空间的包。最后，我们为生物信息学应用开发了一个中心子空间框架，并使用两个不同的数据集展示了该框架如何在实践中应用。 理学硕士： 62页第10页 统计学在生物学和医学中的应用；元分析 92B15号机组 一般生物统计学 关键词：中心子空间;充分降维;diemnsion约化子空间;分段逆回归;生物信息学;组学 软件：LDR公司;RSIR公司;格尔姆奈特;edr图形工具;激光测距仪;MAVE公司;测量 PDF格式BibTeX公司 XML格式引用 \textit{S.A.Rodrigues}等人，Stat.Surv。16210-237（2022；兹bl 07585642） 全文： 内政部 链接 参考文献： [1] ADRAGNI，K.和RAIM，A.（2014年）。ldr:R软件包，用于基于似然的充分降维。统计软件杂志，文章61 1-21. [2] ANAGNOSTOPOULOS，C.和HAND，D.J.（2012年）。hmeasure：H-measure和其他标量分类性能指标R包版本1.0。 [3] BASU，D.和PEREIRA，C.A.B.（1983年）。统计中的条件独立性。桑基？a45 324-337. ·Zbl 0573.62008号 [4] BERNARD-MICHEL，C.、GARDES，L.和GIRARD，S.（2008）。关于带正则化的分段逆回归的注记。生物计量学64 982-984. ·Zbl 1145.62351号 [5] BRHENY，P.和HUANG，J.（2013）。带分组预测因子的非凸惩罚线性和logistic回归模型的组下降算法。统计与计算25 173-187. ·Zbl 1331.62359号 [6] CANDES，E.和TAO，T.（2007年）。Dantzig选择器：当p远大于n时的统计估计。统计学年鉴35 2313-2351. ·Zbl 1139.62019号 [7] CHEN，C.H.和LI，K.C.（1998）。SIR能像多元线性回归那样流行吗？中国统计局8 289-316. ·Zbl 0897.62069号 [8] CHEN，X.和XIE，M.-G.（2014）。一种用于分析超大数据的分裂与合并方法。中国统计局24 1655-1684. ·Zbl 1480.62258号 [9] CHIANG，A.P.，BECK，J.S.，YEN，H.-J.，TAYEH，M.K.，SCHEETZ，T.E.，SWIDERSKI，R.E.，NISHIMURA，D.Y.，BRAUN，T.A.，KIM，K.-Y.A.，HUANG，J.等人（2006年）。利用SNP阵列进行纯合度映射，将E3泛素连接酶TRIM32确定为Bardet-Biedl综合征基因（BBS11）。美国国家科学院院刊103 6287-6922。 [10] CHIAROMONTE，F.和MARTINELLI，J.（2002）。用于分析具有响应的全局基因表达数据的降维策略。数学生物科学176 123-144. ·Zbl 0999.62090号 [11] 库克博士（1994a）。关于回归图的解释。美国统计协会杂志89 177-189. ·Zbl 0791.62066号 [12] 库克·R·D（1994b）。使用降维子空间识别物理系统模型中的重要输入。在1994年物理与工程科学部会议录18-25. 美国统计协会。 [13] 库克·R·D（1998）。回归图形.概率统计中的威利级数：概率统计约翰·威利父子公司，纽约·Zbl 0903.62001 [14] 库克·R·D（2004）。测试预测器在充分降维中的贡献。统计学年鉴32 1062-1092·Zbl 1092.62046号 [15] 库克·R·D（2007）。费希尔讲座：回归中的降维。统计科学22 1-26. ·Zbl 1246.62148号 [16] 库克·R·D（2018）。主要部件、足够的尺寸缩减和包络。统计年鉴及其应用5 533-559. [17] 库克·R.D.和福扎尼·L.（2008a）。协方差减少模型：协方差矩阵谱建模的替代方法。生物特征95 799-812. ·Zbl 1437.62428号 [18] 库克·R·D·和福扎尼·L·（2008b）。回归中降维的主要拟合分量。统计科学23 485-501. ·Zbl 1329.62274号 [19] 库克·R.D.和福扎尼·L.（2009）。基于似然的充分降维。美国统计协会杂志104 197-208. ·Zbl 1388.62041号 [20] 库克·R·D、福扎尼·L和托马斯·D（2011）。LDR：基于相似性的充分降维包。统计软件期刊39. ·Zbl 1227.62001 [21] 库克·R.D.、福扎尼·L.和罗特曼·A.J.（2012）。在丰富的高维回归中估计预测因子的充分减少。统计学年鉴40 353-384·Zbl 1246.62150号 [22] 库克·R·D、李·B和齐亚蒙特·F（2007）。无矩阵反演回归中的降维。生物特征94 569-584. ·Zbl 1135.62046号 [23] 库克·R.D.和纳奇什伊姆·C.J.（1994）。在回归中实现椭圆轮廓协变量的重加权。美国统计协会杂志89 592-599. ·Zbl 0799.62078号 [24] COOK，R.D.和NI，L.（2005）。通过反向回归进行充分降维。美国统计协会杂志100 410-428. ·Zbl 1117.62312号 [25] 库克·R·D·和韦斯伯格·S·（1991）。用于降维的分段反向回归：注释。美国统计协会杂志86 328-332. ·Zbl 1353.62037号 [26] 库克·R·D·和韦斯伯格·S·（1999）。统计分析中的图表：媒体是信息吗？美国统计学家53 29-37之间。 [27] 库克·R·D和尹·X（2001）。判别分析中的降维和可视化。澳大利亚和新西兰统计杂志43 147-199. ·Zbl 0992.62056号 [28] COUDRET，R.、LIQUET，B.和SARACCO，J.（2014）。未确定情况下切片逆回归方法的比较。法国社会统计杂志155 72-96. ·Zbl 1316.62068号 [29] COUDRET，R.、LIQUET，B.和SARACCO，J.（2017年）。edrGraphicalTools：提供降维方法R包版本2.2的工具·Zbl 1316.62068号 [30] DAWID，A.P.（1979）。统计理论中的条件独立性。英国皇家统计学会杂志。B.系列方法41 1-31. ·Zbl 0408.62004号 [31] DONG，Y.和LI，B.（2010）。非椭圆分布预报器的降维：二阶方法。生物特征97 279-294. ·兹比尔1233.62119 [32] 艾默生·J.W.和凯恩·M.J.（2012）。不要淹没在数据中。重要性9 38至39。 [33] Friedman，J.、Hastie，T.和Tibshirani，R.（2010）。广义线性模型的坐标下降正则化路径。统计软件杂志33 1-22. [34] FUKUMIZU，K.、BACH，F.R.和JORDAN，M.I.（2004）。基于再生核Hilbert空间的监督学习降维。机器学习研究杂志5 73-99. ·Zbl 1222.62069号 [35] FUKUMIZU，K.、BACH，F.R.和JORDAN，M.I.（2009年）。回归中的核降维。统计学年鉴37 1871-1905. ·Zbl 1168.62049号 [36] FUKUMIZU，K.和LENG，C.（2014）。基于梯度的回归核降维。美国统计协会杂志109 359-370. ·Zbl 1367.62118号 [37] 冯伟凯、何旭、刘磊和石鹏（2002）。基于典型相关的降维。中国统计局12 1093-1113. ·Zbl 1004.62058号 [38] 吉拉德，S.，洛伦佐，H.和萨拉科，J.（2022）。切片反向回归中的高级主题。多元分析杂志188 104852. ·Zbl 1493.62306号 [39] GOLUB，T.R.、SLONIM，D.K.、TAMAYO，P.、HUARD，C.、GAASENBEEK，M.、MESIROV，J.P.、COLLER，H.、LOH，M.L.、DOWNING，J.R.，CALIGIURI，M.A.、BLOOMFIELD，C.D.和LANDER，E.S.（1999）。癌症的分子分类：通过基因表达监测进行分类发现和分类预测。科学类286 531-537. [40] GUHA，S.、HAFEN，R.、ROUNDS，J.、XIA，J.，LI，J.和XI，B.（2012）。大型复杂数据：使用RHIPE进行拆分和重组（D&R）。斯达1 53-67. [41] HALL，P.和LI，K.C.（1993）。关于高维数据的低维投影的几乎线性。统计学年鉴21 867-889. ·Zbl 0782.62065号 [42] 韩毅、黄磊和周峰（2021）。一个动态递归特征消除框架（dRFE），用于进一步完善一组OMIC生物标记。生物信息学37 2183-2189. [43] HAND，D.J.（2009年）。衡量分级机性能：ROC曲线下面积的一致替代方案。机器学习77 103-123. ·Zbl 1470.62085号 [44] HANG，W.和XIA，Y.（2017）。MAVE：尺寸缩减方法R软件包版本1.2.9。 [45] HILAFU，H.和YIN，X.（2017）。具有高度相关预测器的大p-小n数据的充分降维和变量选择。计算与图形统计杂志26 26-34. [46] KIM，M.和PAVLOVIC，V.（2011年）。使用协方差算子的中心子空间降维。IEEE模式分析和机器智能汇刊33 657-670. [47] LEE，K.-Y.，LI，B.和CHIAROMONTE，F.（2013）。非线性充分降维的一般理论：公式和估计。统计学年鉴41 221-249. ·Zbl 1347.62018年 [48] 李克诚（1991）。用于降维的分段反向回归。美国统计协会杂志86 316-342. ·Zbl 0742.62044号 [49] 李克诚（1992）。关于数据可视化和降维的主要Hessian方向：Stein引理的另一个应用。美国统计协会杂志87 1025-1039. ·Zbl 0765.62003年 [50] LI，L.（2007年）。稀疏足够的尺寸缩减。生物特征94 603-613. ·Zbl 1135.62062号 [51] 李斌（2018）。充分降维：R的方法及应用.统计学和应用概率专著161纽约Taylor and Francis Group有限责任公司。 [52] LI，B.和DONG，Y.（2009）。非椭圆分布预报器的降维。统计学年鉴37 1272-1298. ·Zbl 1160.62050 [53] LI，L.和LI，H.（2004）。微阵列的降维方法及其在截尾生存数据中的应用。生物信息学20 3406-3412. [54] LI，L.和NACHTSHEIM，C.J.（2006）。稀疏切片反向回归。技术指标48 503-510. [55] LI，L.和YIN，X.（2008）。带正则化的分段逆回归。生物计量学64 124-131. ·Zbl 1139.62055号 [56] LI，B.，ZHA，H.和CHIAROMONTE，F.（2005）。轮廓回归：一种通用的降维方法。统计学年鉴33 1580-1616·兹比尔1078.62033 [57] LIN，N.和XI，R.（2011年）。聚合估计方程估计。统计及其界面4 73-83. ·Zbl 1245.62026号 [58] LIN，Q.，ZHAO，Z.和LIU，J.S.（2018）。关于高维切片逆回归的一致性和稀疏性。统计学年鉴46 580-610. ·Zbl 1395.62196号 [59] LIN，Q.，ZHAO，Z.和LIU，J.S.（2019）。通过拉索进行稀疏切片反向回归。美国统计协会杂志114 1726-1739. ·Zbl 1428.62320号 [60] LIQUET，B.和SARACCO，J.（2011年）。一种图形工具，用于在SIR和SAVE方法中选择切片数和模型尺寸。计算统计学27 103-125. ·兹比尔1304.65054 [61] LIQUET，B.和SARACCO，J.（2016）。BIG-SIR是一种针对海量数据的分段逆回归方法。统计及其界面9 509-520. ·Zbl 1405.62041号 [62] LVOVS，D.、FAVOROVA，O.O.和FAVOROV，A.V.（2012）。研究多基因疾病的多基因方法。《自然学报》4 59-71. [63] MA，Y.和ZHU，L.（2012）。降维的半参数方法。美国统计协会杂志107 168-179. ·Zbl 1261.62037号 [64] MA，Y.和ZHU，L.（2013）。关于降维的综述。国际统计评论81 134-150·Zbl 1416.62220号 ·doi:10.1111/j.1751-5823.012.00182.x [65] NGHIEM，L.H.、HUI，F.、MüLLER，S.和WELSH，A.（2023年）。基于Cholesky矩阵惩罚的稀疏切片逆回归。中国统计局. ·Zbl 07602348号 ·doi:10.5705/ss.202020.0406 [66] NILSSON，J.、SHA，F.和JORDAN，M.I.（2007年）。基于核降维的流形回归。在ICML'07第24届机器学习国际会议记录697-704. 美国纽约州纽约市ACM。 [67] PRENDERGAST，洛杉矶（2005）。切片反向回归的影响函数。斯堪的纳维亚统计杂志32 385-404. ·Zbl 1088.62054号 [68] PRENDERGAST，L.A.（2007年）。影响函数分析对切片反向回归和切片平均方差估计的影响。生物特征94 585-601. ·Zbl 1135.62047号 [69] PRENDERGAST，L.A.和SMITH，J.A.（2010）。降维方法的影响函数：以粗麻布主方向分析的影响研究为例。斯堪的纳维亚统计杂志37 588-611. ·Zbl 1226.62064号 [70] QIAN，W.，DING，S.和COOK，R.D.（2019）。超高维同时变量选择的充分降维稀疏最小差方法。美国统计协会杂志114 1277-1290. ·Zbl 1428.62237号 [71] RAMSAY，K.、DUROCHER，S.和LEBLANC，A.（2021）。投影中值的稳健性和渐近性。多元分析杂志181 104678. ·Zbl 1461.62072号 [72] SCHEETZ，T.E.，KIM，K.-Y.A.，SWIDERSKI，R.E.，PHILP，A.R.，BRAUN，T.A.，KNUDTSON，K.L.，DORRANCE，A.M.，DIBONA，G.F.，HUANG，J.，CASAVANT，T.L.，SHEFFIELD，V.C.和STONE，E.M.（2006）。哺乳动物眼睛中基因表达的调节及其与眼病的相关性。美国国家科学院院刊103 14429-14434. [73] SIMON，N.、FRIEDMAN，J.、HASTIE，T.和TIBSHIRANI，R.（2011）。基于坐标下降的Cox比例危险度模型的正则化路径。统计软件杂志39 1-13. [74] STREET，W.N.、WOLBERG，W.H.和MANGASARIAN，O.L.（1993）。用于乳腺肿瘤诊断的核特征提取。在IS&T/SPIE电子成像：科学与技术研讨会（R.S.ACHARYA和D.B.GOLDGOF编辑）861-870。SPIE公司。 [75] TAN，K.，SHI，L.和YU，Z.（2020年）。稀疏SIR：最佳速率和自适应估计。统计学年鉴48 64-85之间·Zbl 1451.62060号 [76] TIBSHIRANI，R.（1996）。通过套索回归收缩和选择。英国皇家统计学会杂志。B.系列方法58 267-288. ·Zbl 0850.62538号 [77] WANG，H.和XIA，Y.（2008）。用于降维的分段回归。美国统计协会杂志103 811-821. ·Zbl 1306.62168号 [78] 魏斯伯格，S.（2002）。R中的降维回归。统计软件杂志，文章7 1-22. [79] WOLBERG，W.H.，STREET，W.N.和MANGASARIAN，O.L.（1994）。机器学习技术从细针抽吸物的图像处理核特征诊断乳腺癌。癌症信件77 163-171. [80] WU，H.-M.（2008）。核切片逆回归及其在分类中的应用。计算与图形统计杂志17 590-610. [81] 夏扬（2007）。一种估计尺寸缩减方向的建设性方法。统计学年鉴35 2654-2690. ·Zbl 1360.62196号 [82] 夏寅、童宏、李维凯和朱丽霞（2002）。降维空间的自适应估计。英国皇家统计学会杂志。B.系列统计方法64 363-410. ·Zbl 1091.62028号 [83] YIN，X.和HILAFU，H.（2015）。大p、小n问题的序贯充分降维。英国皇家统计学会杂志：B辑（统计方法）77 879-892. ·Zbl 1414.62194号 [84] ZENG，P.和ZHU，Y.（2010）。估计中心均值和中心子空间的积分变换方法。多元分析杂志101 271-290. ·Zbl 1177.62054号 [85] ZHANG，S.和LANG，Z.-Q.（2022）。基于正交最小二乘的线性分类快速特征选择。模式识别123 108419. [86] ZHANG，X.、MAI，Q.和ZOU，H.（2020）。具有类别响应的充分降维中的最大分离子空间。机器学习研究杂志21 1-36. ·Zbl 1498.68288号 [87] 赵，Z.，LIN，Q.和刘，J.（2017）。LassoSIR：通过Lasso R软件包版本0.1.1的稀疏切片反向回归。 [88] ZHONG，W.，ZENG，P.，MA，P.，LIU，J.S.和ZHU，Y.（2005）。RSIR：用于模体发现的正则切片逆回归。生物信息学21 4169-4175. [89] 朱丽霞和方国泰（1996）。切片逆回归核估计的渐近性。统计学年鉴24 1053-1068. ·Zbl 0864.62027号 [90] ZHU，Y.和ZENG，P.（2006）。估计回归中中心子空间和中心平均子空间的傅里叶方法。美国统计协会杂志101 1638-1651. ·Zbl 1171.62325号 [91] ZOU，H.和HASTIE，T.（2005）。通过弹性网进行规则化和变量选择。英国皇家统计学会学报B辑67 301-320. ·Zbl 1069.62054号 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。