文献

J-GLOBAL ID：201802273916051980   整理番号：18A0468190

線形演算子ベース統計解析:ビッグデータのための有用なパラダイム【Powered by NICT】

Linear operator-based statistical analysis: A useful paradigm for big data

著者 (1件)： Li Bing (Department of Statistics, The Pennsylvania State University, PA, U.S.A.)
資料名： Canadian Journal of Statistics  (Canadian Journal of Statistics)
巻： 46  号： 1  ページ： 79-103  発行年： 2018年 
JST資料番号： W2522A  ISSN： 0319-5724  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,線形演算子ベースの統計的解析のいくつかの基本的な構造,技術的機構,および重要な応用をレイアウトと統一パラダイムに向けてそれらを組織化した。このパラダイムは,線形演算子の性質のために,ビッグデータを解析するのに重要な役割を果たすことができる:それらはバッチで機能の大きな数を処理する。システムは少なくとも四統計的設定を適応:多変量データ解析,機能的データ解析,カーネル学習による非線形多変量データ解析,およびカーネル学習による非線形関数データ解析。各統計的設定:共分散演算子,相関演算子,条件付き共分散演算子,回帰演算子,および部分相関演算子内の五線形演算子,ランダム変数またはランダム関数間の相互接続を研究ノンパラメトリックおよび包括的な方法で強力な手段を提供することを開発した。十分な次元縮小の開発を追跡する事例研究を提示し,これらの線形演算子は,その最近の開発においてますます重要な役割を果たしているかを詳細に述べた。試料レベルでこれらの演算子を実行するために系統的に適用できる座標マッピング法を提示した。Copyright 2018 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 共分散 ,  データ解析 ,  写像 ,  相互接続 ,  ノンパラメトリック法 ,  *線形性 ,  次元縮小 ,  *統計解析 ,  事例研究
準シソーラス用語： ランダム関数 ,  ランダム変数 ,  関数データ解析 ,  Kernel法 ,  多変量データ ,  *ビッグデータ , 【Automatic Indexing@JST】

著者キーワード (7件)： 集団平滑性 ,  関数データ解析 ,  カーネル学習 ,  ノンパラメトリックグラフィカルモデル ,  十分な次元縮小 ,  2010MSC:一次62H99 ,  二次62G99

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 線形 ,  演算子 ,  統計解析 ,  ビッグデータ ,  パラダイム