稳健降维新算法：抗污染数据，收敛有保证！
Robust conditional dimension reduction for dissimilarity data
📖 AI 总结
该研究针对条件降维（cDR）方法在处理相异度数据时对异常值敏感的问题，提出了鲁棒条件多维缩放（rcMDS）方法。传统条件多维缩放（cMDS）采用平方应力准则，易受污染数据影响，导致学习到的低维坐标失真。作者通过将平方应力替换为Fair M估计目标函数，增强了方法的鲁棒性，并设计了可计算的重加权条件SMACOF优化算法。该算法更新步骤计算简便，且目标函数值单调递减并收敛至有限极限。在合成与真实数据上的实验表明，rcMDS能有效抵御异常值干扰，提升降维结果的稳定性与可靠性，为处理含噪声的相异度数据提供了更稳健的解决方案。
🔑 关键词速览
| Conditional dimension reduction (cDR) | 一种降维方法，在降维的同时考虑协变量的影响，以分离已知变异来源。 |
| Conditional Multidimensional Scaling (cMDS) | 一种基于相异性数据的条件降维技术，通过低维坐标表示对象间的差异。 |
| Robust Conditional Multidimensional Scaling (rcMDS) | 对cMDS的稳健改进，使用Fair M估计目标以抵抗异常值的影响。 |
| Fair M-estimation | 一种稳健统计估计方法，通过降低大残差的权重来减少异常值的影响。 |
| SMACOF algorithm | 一种用于多维缩放的迭代优化算法，通过应力最小化更新坐标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅