Journal of the American Statistical Association· 2016Q1
Parsimonious Tensor Yanıt Regresyonu
Parsimonious Tensor Response Regression
- 206atıf
- Q1SCImago
- 2016yıl
Kısa özet
Yeni bir 'parsimonious tensor yanıt regresyonu' yöntemi, parametreleri azaltarak ve 'zarf yöntemi' ile temel bilgilere odaklanarak karmaşık yapıdaki yüksek boyutlu tensör verilerini modeller.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Yüksek boyutlu, yapısal tensör verileri için parsimonious tensor yanıt regresyonunu önerir.
- Tensör yanıtının tüm vokselerini, içsel yapıyı dikkate alarak ortaklaşa modeller.
- Malzeme bilgisini tanımlamak ve odaklanmak için 'zarf yöntemi' kullanır, serbest parametreleri azaltır.
- Elde edilen tahmincinin asimptotik olarak verimli olduğu ve rekabetçi sonlu örnek performansına sahip olduğu gösterilmiştir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Aiming at abundant scientific and engineering data with not only high dimensionality but also complex structure, we study the regression problem with a multidimensional array (tensor) response and a vector predictor. Applications include, among others, comparing tensor images across groups after adjusting for additional covariates, which is of central interest in neuroimaging analysis. We propose parsimonious tensor response regression adopting a generalized sparsity principle. It models all voxels of the tensor response jointly, while accounting for the inherent structural information among the voxels. It effectively reduces the number of free parameters, leading to feasible computation and improved interpretation. We achieve model estimation through a nascent technique called the envelope method, which identifies the immaterial information and focuses the estimation based upon the material information in the tensor response. We demonstrate that the resulting estimator is asymptotically efficient, and it enjoys a competitive finite sample performance. We also illustrate the new method on two real neuroimaging studies. Supplementary materials for this article are available online.
Yazarların özeti; kaynağından alınmıştır. Journal of the American Statistical Association, 2016 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Hesaplamalı Matematik
Computational MathematicsMathematics