期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
4
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
大规模数据下基于充分降维的Leverage重要性抽样方法
被引量：
5
1
作者
秦磊
王奕丹
苏治
《统计研究》
CSSCI
北大核心
2020年第3期114-128,共15页
随着信息技术的飞速发展,大规模数据在短时间内搜集并储存下来,为分析决策提供了巨大的信息量,也给统计建模带来了一定难度。对于样本容量大、变量个数少的数据,Leverage重要性抽样是一个简便可行的方法。本文发现,该方法中度量样本重...
随着信息技术的飞速发展,大规模数据在短时间内搜集并储存下来,为分析决策提供了巨大的信息量,也给统计建模带来了一定难度。对于样本容量大、变量个数少的数据,Leverage重要性抽样是一个简便可行的方法。本文发现,该方法中度量样本重要性的Leverage分数与因变量无关,而且在维度较大的情形下对样本没有区分程度,使得估计结果较差。为了同时考虑因变量和维度的影响,本文提出了基于充分降维的Leverage重要性抽样方法。该方法以不损失信息为前提,在充分降维的空间内重新计算Leverage分数,使得抽样更具有代表性。模拟数据分析显示,在样本容量较大的复杂数据中,相比于原始的Leverage重要性抽样方法,本文提出的方法可以降低估计的均方误差。三个实际数据也证实了该方法的可行性和有效性。
展开更多
关键词
大规模数据
leverage
分数
重要性抽样
充分降维
下载PDF
职称材料
基于行列联合选择矩阵分解的偏好特征提取
被引量：
7
2
作者
雷恒鑫
刘惊雷
《模式识别与人工智能》
EI
CSCD
北大核心
2017年第3期279-288,共10页
针对奇异值分解(SVD)分析偏好特征不够准确,有时出现不可解释的情况,文中提出利用行列联合选择(CUR)矩阵分解方法获取原始矩阵M(用户对产品的偏好)的低秩近似,提取用户和产品的潜在偏好.首先计算M中行和列的统计影响力得分,并抽取得分...
针对奇异值分解(SVD)分析偏好特征不够准确,有时出现不可解释的情况,文中提出利用行列联合选择(CUR)矩阵分解方法获取原始矩阵M(用户对产品的偏好)的低秩近似,提取用户和产品的潜在偏好.首先计算M中行和列的统计影响力得分,并抽取得分较高的若干列和若干行构成低维矩阵C和R,然后由M、C、R近似构造矩阵U,将高维空间中的偏好特征提取问题转化为低维空间中的矩阵分析问题,使其具有较好的可解释性和准确性.最后,通过理论分析和实验发现,与传统分解方法相比,CUR矩阵分解方法在偏好特征提取方面具有更高的准确度、更好的可解释性及更高的压缩率.
展开更多
关键词
行列联合选择(CUR)矩阵分解
低秩近似
偏好特征
统计影响力得分
可解释性
下载PDF
职称材料
大数据岭回归的最优子抽样
被引量：
3
3
作者
陈云璐
张楠
《复旦学报（自然科学版）》
CAS
CSCD
北大核心
2022年第1期1-9,共9页
针对大数据岭回归问题,研究了提升计算效率的子抽样方法。现有子抽样方法的研究主要集中于没有惩罚项的模型框架,而相较于普通最小二乘估计,岭回归中惩罚项的引入权衡了估计的偏差和方差。通过子样本所得估计的渐近性质研究,本文提出了...
针对大数据岭回归问题,研究了提升计算效率的子抽样方法。现有子抽样方法的研究主要集中于没有惩罚项的模型框架,而相较于普通最小二乘估计,岭回归中惩罚项的引入权衡了估计的偏差和方差。通过子样本所得估计的渐近性质研究,本文提出了以渐近均方误差为优化准则的岭回归最优子抽样估计,并计算得到包含岭杠杆值和L_(2)范数的子抽样概率,对岭杠杆值的计算使用近似方法后,得到计算成本较低的算法。
展开更多
关键词
大数据
岭回归
子抽样方法
岭杠杆值
下载PDF
职称材料
基于加权集成Nystr?m采样的谱聚类算法
被引量：
4
4
作者
邱云飞
刘畅
《模式识别与人工智能》
EI
CSCD
北大核心
2019年第5期420-428,共9页
针对Nystrom方法在谱聚类应用中存在聚类效果不稳定、样本代表性较弱的问题,提出基于加权集成Nystrom采样的谱聚类算法.首先利用统计杠杆分数区别数据间的重要程度,对数据进行加权.然后基于权重采用加权K-means中心点采样,得到多组采样...
针对Nystrom方法在谱聚类应用中存在聚类效果不稳定、样本代表性较弱的问题,提出基于加权集成Nystrom采样的谱聚类算法.首先利用统计杠杆分数区别数据间的重要程度,对数据进行加权.然后基于权重采用加权K-means中心点采样,得到多组采样点.再引入集成框架,利用集群并行运行Nystrom方法构建近似核矩阵.最后利用岭回归方法组合各个近似核矩阵,产生比标准Nystrom方法更准确的低秩近似.在UCI数据集上的测试实验表明,文中算法取得较理想的聚类结果.
展开更多
关键词
谱聚类
Nystrom采样
统计杠杆分数加权
集成Nystrom
下载PDF
职称材料
题名
大规模数据下基于充分降维的Leverage重要性抽样方法
被引量：
5
1
作者
秦磊
王奕丹
苏治
机构
对外经济贸易大学统计学院
中国人民大学统计学院
中央财经大学统计与数学学院
中央财经大学金融学院
中国人民大学国际货币研究所
出处
《统计研究》
CSSCI
北大核心
2020年第3期114-128,共15页
基金
国家社会科学基金重大项目“互联网+推动经济转型机理与对策研究”(15ZDC024)
国家自然科学基金面上项目“货币总量转向信用总量:全球虚拟经济与实体经济背离机理与宏观政策应对”(71473279)
+2 种基金
国家自然科学基金青年项目“基于广义SICA惩罚函数的高维数据参数估计与变量选取研究”(61603092)
对外经济贸易大学惠园优秀青年学者项目“大数据下的统计方法创新研究及其应用”(17YQ15)
对外经济贸易大学青年学术创新团队建设项目“健康大数据的统计创新研究”(CXTD10-10)。
文摘
随着信息技术的飞速发展,大规模数据在短时间内搜集并储存下来,为分析决策提供了巨大的信息量,也给统计建模带来了一定难度。对于样本容量大、变量个数少的数据,Leverage重要性抽样是一个简便可行的方法。本文发现,该方法中度量样本重要性的Leverage分数与因变量无关,而且在维度较大的情形下对样本没有区分程度,使得估计结果较差。为了同时考虑因变量和维度的影响,本文提出了基于充分降维的Leverage重要性抽样方法。该方法以不损失信息为前提,在充分降维的空间内重新计算Leverage分数,使得抽样更具有代表性。模拟数据分析显示,在样本容量较大的复杂数据中,相比于原始的Leverage重要性抽样方法,本文提出的方法可以降低估计的均方误差。三个实际数据也证实了该方法的可行性和有效性。
关键词
大规模数据
leverage
分数
重要性抽样
充分降维
Keywords
Large-scale
Data
leverage
score
Importance
Sampling
Sufficient
Dimension
Reduction
分类号
O212 [理学—概率论与数理统计]
下载PDF
职称材料
题名
基于行列联合选择矩阵分解的偏好特征提取
被引量：
7
2
作者
雷恒鑫
刘惊雷
机构
烟台大学计算机与控制工程学院
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2017年第3期279-288,共10页
基金
国家自然科学基金项目(No.61572419
61572418
+5 种基金
61403328
61403329)
山东省自然科学基金项目(No.2015GSF115009
ZR2014FQ016
ZR2014FQ026
ZR2013FM011)资助~~
文摘
针对奇异值分解(SVD)分析偏好特征不够准确,有时出现不可解释的情况,文中提出利用行列联合选择(CUR)矩阵分解方法获取原始矩阵M(用户对产品的偏好)的低秩近似,提取用户和产品的潜在偏好.首先计算M中行和列的统计影响力得分,并抽取得分较高的若干列和若干行构成低维矩阵C和R,然后由M、C、R近似构造矩阵U,将高维空间中的偏好特征提取问题转化为低维空间中的矩阵分析问题,使其具有较好的可解释性和准确性.最后,通过理论分析和实验发现,与传统分解方法相比,CUR矩阵分解方法在偏好特征提取方面具有更高的准确度、更好的可解释性及更高的压缩率.
关键词
行列联合选择(CUR)矩阵分解
低秩近似
偏好特征
统计影响力得分
可解释性
Keywords
Column
Union
Row（CUR）
Matrix
Decomposition,
Low
Rank
Approximation,
Preference
Feature,
Statistical
leverage
score
,
Interpretability
分类号
TP301.6 [自动化与计算机技术—计算机系统结构]
下载PDF
职称材料
题名
大数据岭回归的最优子抽样
被引量：
3
3
作者
陈云璐
张楠
机构
复旦大学大数据学院
出处
《复旦学报（自然科学版）》
CAS
CSCD
北大核心
2022年第1期1-9,共9页
基金
国家自然科学基金(11690014)。
文摘
针对大数据岭回归问题,研究了提升计算效率的子抽样方法。现有子抽样方法的研究主要集中于没有惩罚项的模型框架,而相较于普通最小二乘估计,岭回归中惩罚项的引入权衡了估计的偏差和方差。通过子样本所得估计的渐近性质研究,本文提出了以渐近均方误差为优化准则的岭回归最优子抽样估计,并计算得到包含岭杠杆值和L_(2)范数的子抽样概率,对岭杠杆值的计算使用近似方法后,得到计算成本较低的算法。
关键词
大数据
岭回归
子抽样方法
岭杠杆值
Keywords
big
data
ridge
regression
subsampling
method
ridge
leverage
score
分类号
C8 [社会学—统计学]
下载PDF
职称材料
题名
基于加权集成Nystr?m采样的谱聚类算法
被引量：
4
4
作者
邱云飞
刘畅
机构
辽宁工程技术大学
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2019年第5期420-428,共9页
基金
国家自然科学基金项目(No.71771111)资助~~
文摘
针对Nystrom方法在谱聚类应用中存在聚类效果不稳定、样本代表性较弱的问题,提出基于加权集成Nystrom采样的谱聚类算法.首先利用统计杠杆分数区别数据间的重要程度,对数据进行加权.然后基于权重采用加权K-means中心点采样,得到多组采样点.再引入集成框架,利用集群并行运行Nystrom方法构建近似核矩阵.最后利用岭回归方法组合各个近似核矩阵,产生比标准Nystrom方法更准确的低秩近似.在UCI数据集上的测试实验表明,文中算法取得较理想的聚类结果.
关键词
谱聚类
Nystrom采样
统计杠杆分数加权
集成Nystrom
Keywords
Spectral
Clustering
Nystrom
Sampling
Statistical
leverage
score
Weighting
Ensemble
Nystrom
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
大规模数据下基于充分降维的Leverage重要性抽样方法
秦磊
王奕丹
苏治
《统计研究》
CSSCI
北大核心
2020
5
下载PDF
职称材料
2
基于行列联合选择矩阵分解的偏好特征提取
雷恒鑫
刘惊雷
《模式识别与人工智能》
EI
CSCD
北大核心
2017
7
下载PDF
职称材料
3
大数据岭回归的最优子抽样
陈云璐
张楠
《复旦学报（自然科学版）》
CAS
CSCD
北大核心
2022
3
下载PDF
职称材料
4
基于加权集成Nystr?m采样的谱聚类算法
邱云飞
刘畅
《模式识别与人工智能》
EI
CSCD
北大核心
2019
4
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
