跳转至

Principal Covariate Regression with Nuclear Norm Penalty

作者: Kaiwen Liu, Lisa Verbeij, Wouter Weeda, Mark de Rooij
主题: 高维统计 / 随机矩阵
相关性: 7/10
链接: https://arxiv.org/abs/2606.23174

一、领域脉络与小综述

这个方向是什么

本题聚焦于多变量高维回归中的维度约简与正则化联合估计问题。其根本的科学困难在于：当预测变量数目 P 很大（甚至超过样本量 N）时，研究者需要同时完成降维（将高维预测空间压缩为少数潜变量/成分）和系数正则化（防止过拟合、稳定估计）两个任务。传统做法是分步进行（先降维、再回归，或先稀疏化、再回归），但分步策略会丢失“降维与回归之间的相互影响”，并迫使对成分数目做 ad-hoc 选择（如通过碎石图或网格搜索）。该子方向追求的是用一个单一、端到端的凸优化框架同时解决维数选择与系数收缩，从而让求解更稳定、选出的成分更具预测力。

发展脉络（history）

  1. 奠基工作（1930s-1990s）：两个基石分别是主成分分析（PCA; Hotelling, 1933）——最大化预测变量的方差解释，以及降秩回归（RRR; Anderson, 1951; Izenman, 1975; Tso, 1981; Davies & Tso, 1982）——假设系数矩阵的低秩结构以实现多响应回归中的降维。PCA 与 RRR 是两条独立路线，前者的成分纯由预测变量的方差驱动、不关心预测，后者的成分只最小化预测误差、不解释预测变量的内部结构。
  2. 整合：主协变量回归（PCovR; De Jong & Kiers, 1992）：将 PCA 和 RRR 合并为一个加权目标函数（式 (3)），用一个参数 α 平衡预测变量的重构与响应变量的预测。这使得选出的成分同时具备可解释性和预测力。该工作被本文作者定位为“starting point”。后续拓展包括：\( \text{PCovR}^2 \)(Gvaladze et al., 2021) 处理多响应；R 包 PCovR (Vervloet et al., 2015) 提供软件实现。
  3. 正则化版 PCovR 的出现（2018-2023）：Van Deun et al. (2018) 对预测变量载荷引入 Lasso / Ridge 惩罚，提出稀疏 PCovR（SPCovR）；Park (2023) 进一步扩展到多模块数据。关键缺口——作者原文明确指出（Introduction 第 2 段）：“Penalized PCovR applies ridge or lasso penalties… but they require the number of components to be specified beforehand.” 即这些方法需要事先手动指定成分个数，成为瓶颈。
  4. 核范数惩罚在降秩估计中的理论成熟（2007-2014）：Yuan et al. (2007)、Bunea et al. (2011)、Koltchinskii et al. (2011)、Negahban & Wainwright (2011) 证明了核范数惩罚（矩阵奇异值之和）是低秩结构的高效凸松弛，在矩阵补全、降秩回归中具有理论保证（一致恢复、预言性误差界）。Cai et al. (2010) 给出了软阈值求解（SVT）。这些工作被本文直接引用，作为将核范数引入 PCovR 的理论基础。
  5. 本文位置：Liu et al. (2026)（即本论文）提出 PcovRnnp，将核范数惩罚直接嵌入 PCovR 的目标函数，从而实现成分个数与系数估计的联合选择。作者声称（Intro 第 3 段）：“PcovRnnp achieves component selection by using soft-thresholding to discard weak components… furthermore, regularizes the coefficients by penalizing the magnitude of retained strong components.”

子线索聚类

被引文献大致落在以下 3 条子线索：

  • 线 I：核范数与低秩矩阵估计（Candès & Recht, 2009; Koltchinskii et al., 2011; Negahban & Wainwright, 2011; Bunea et al., 2011; Cai et al., 2010; Yuan et al., 2007; Lu et al., 2012; Zhou & Li, 2014）。这一簇关注核范数惩罚的理论保证（rank recovery consistency, prediction bounds, convexity）。本文用它作为技术工具。
  • 线 II：PCovR 框架自身进化（De Jong & Kiers, 1992; Gvaladze et al., 2021; Vervloet et al., 2013, 2015, 2016; Wilderjans et al., 2011; Heij et al., 2007）。这一簇回答“如何构造 α 加权目标”以及“如何选择 α”（用 ML 估计）。本文沿用该框架。
  • 线 III：稀疏/正则化多元回归（Van Deun et al., 2018; Park, 2023; Chun & Keleş, 2010——SPLS; Zou & Hastie, 2005——Ridge/Elastic Net）。这一簇处理高维下的变量选择或系数收缩。本文在模拟中将其作为对照组。

该方向的核心追问与瓶颈

  • 问题 1：如何在不需要事先指定成分个数的前提下进行降维？作者的回答是核范数。
  • 问题 2：如何在降维的同时对系数做正则化？作者的回答是核范数同时对“强信号成分”做收缩（软阈值）。
  • 问题 3：当预测变量中存在结构化噪声（非预测性低秩分量）时，核范数选择是否会把噪声成分也包含进来？本文仿真实验 2 考察了这一风险（发现介于 R 与 R+S 之间）。
  • 当前主流方法（瓶颈）：SPCovR (Van Deun et al., 2018) 在交叉验证中需要对成分个数做网格搜索、计算昂贵（HCP 数据上因超时被排除）。PcovRnnp 的封闭解避免了这一搜索，但牺牲了稀疏性（载荷是密集的，且无变量选择能力）。

⚠️ 作者的 framing（必须严格区分为“作者的说法”）

作者把缺失 frame 为：“existing PCovR methods cannot simultaneously select dimensionalities and estimate regularized coefficients”（Abstract 第 2 句）。这意味着“无法同时做两件事”是 gap，而核范数惩罚是“显然的下一步”。作者淡化了以下竞争路线：

  • 直接对成分数做交叉验证（unpenalized PCovR）：作者承认它存在但称其“prone to overfitting”。
  • 稀疏 PCovR（Lasso/ridge）：作者承认它存在但称“需要事先指定成分个数”。
  • 贝叶斯或变分贝叶斯方法：未出现在 intro 中。

什么明显该被引或该存在、却没出现在 intro 里？

  • Elastic Net (Zou & Hastie, 2005) 的多元推广（如 Reduced Rank Ridge 的泛化）——作者只引了 Ridge 回归，而未引用任何结合低秩与稀疏的双惩罚方法（如 Chen et al. 2013 的 adaptive nuclear norm penalty 虽然被列在参考文献里，但 intro 未用该文定位自己的 gap）。
  • 张量回归 / Tucker 分解速度的讨论——未涉及。
  • 统计-计算权衡：论文未讨论核范数惩罚的计算复杂性（截断 SVD 的代价）或与成分数网格搜索的复杂度比较。

张力

被引文献中未见明显对立的结果: 核范数惩罚的凸性与一致性是公认结论，PCovR 框架的 α 用 ML 估计是标准做法，无核心矛盾。唯一的微妙点是：在 Simulation 2 中，作者承认 ML 估 α 可能因非高斯噪声而不恰当（Section 7），但这来自作者自己的观察而非引用之间的矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号：

记号 含义 类型
\( X \in \mathbb{R}^{N \times P} \) 预测变量矩阵（N 个观测，P 个变量） 可观测，经标准化（列均0、列方差1）
\( Y \in \mathbb{R}^{N \times Q} \) 响应变量矩阵（Q 个响应） 可观测，经标准化
\( W \in \mathbb{R}^{P \times R} \) 权重矩阵（将原始预测变量映射到 R 个成分） 潜在参数（待估）
\( T = X W \in \mathbb{R}^{N \times R} \) 成分得分矩阵（正交，\( T'T = I_R \)） 潜在参数
\( P_x \in \mathbb{R}^{P \times R} \) 预测变量载荷矩阵（对角化 \( T \) 到 \( X \) 的重构） 潜在参数
\( P_y \in \mathbb{R}^{Q \times R} \) 响应变量载荷矩阵（对角化 \( T \) 到 \( Y \) 的预测） 潜在参数
\( B_y = W P'_y \in \mathbb{R}^{P \times Q} \) 回归系数矩阵（标准化的 X 到标准化 Y） 潜在参数（估计目标）
\( \alpha \in [0,1] \) 加权参数，平衡 PCA（α=1）与 RRR（α=0） 超参数（用户指定或 ML 估）
\( \lambda \geq 0 \) 核范数惩罚强度 超参数（通过交叉验证选择）
\( \|\cdot\|_F \) Frobenius 范数 度量
\( \|\cdot\|_* \) 核范数（奇异值之和） 度量（标准）
\( \|\cdot\|_\dagger \) 约束核范数（关于度量 \( X'X \)） 度量（本文改编）

模型：

原始 PCovR 假设 \( X \) 和 \( Y \) 通过一个共享的低维潜变量 \( T \) 共同生成（式 1-2）：

\[X = T P_x' + E_x, \quad Y = T P_y' + E_y,\]
其中 \( T = X W \) 且 \( T'T = I_R \)。\( E_x, E_y \) 是误差项（本文中无分布假设，但在仿真中取为高斯）。

目标函数（式 3）为：

\[L(W, P_x, P_y) = (1-\alpha)\frac{\|Y - X W P_y'\|_F^2}{\|Y\|_F^2} + \alpha\frac{\|X - X W P_x'\|_F^2}{\|X\|_F^2}.\]
经过 Heij et al. (2007) 的加权变换（\( w_1 = \sqrt{1-\alpha}/\|Y\|_F, w_2 = \sqrt{\alpha}/\|X\|_F \)），可将问题写成联合矩阵回归（式 4-5）：
\[Z = [w_1 Y, w_2 X] \in \mathbb{R}^{N \times (Q+P)}, \quad B = [W][w_1 P_y', w_2 P_x'].\]
此时目标等价于：
\[\min_{B} \frac12 \|Z - X B\|_F^2.\]

可观测数据： 研究者只能观测到 \( X \) 和 \( Y \)。\( W, P_x, P_y, T \) 都是潜在/无法直接观测的量，只能通过求解目标函数间接恢复。关键识别关系：\( B_y = W P_y' \) 是直接可用于预测的回归系数（标准化尺度）。成分个数 \( R \) 也是未知且需要估计的。

第二步：讲最小内核

本文的核心思路可以归结为：在式 (6) 中，把 PCovR 的原始有约束优化（\( T'T = I_R \)，\( R \) 未知）等价地改写成关于 \( B \) 的无约束核范数最小化问题（式 7），然后利用软阈值算子**在奇异值谱上“自动”选择成分个数。

最简特例（剥掉所有为一般性服务的假设，只看最核心的数学操作）：

假设数据已经过标准化，且我们暂时忽略 \( X \) 的不可逆性（即假设 \( X \) 满列秩，\( N \geq P \)）。令 \( w_1 = w_2 = 1/\sqrt{2} \)（即 α=0.5，且 \( \|Y\|_F = \|X\|_F \) 这种对称情况）。那么常规 OLS 解为 \( B_{\text{ols}} = (X'X)^{-1} X' Z \)。

本文的关键洞察是：由于正交约束 \( T'T = I_R \) 的存在，我们不能直接对 \( B \) 做标准 SVD。 正确的做法是引入辅助矩阵 \( \tilde{B} = (X'X)^{1/2} B \)，并对 \( \tilde{B} \) 做软阈值。

具体计算（最小内核）：

  1. 计算 OLS 解：\( B_{\text{ols}} = (X'X)^{-1} X' Z \)。
  2. 构造辅助矩阵：\( \tilde{B}_{\text{ols}} = (X'X)^{1/2} B_{\text{ols}} \)。
  3. 做标准 SVD：\( \tilde{B}_{\text{ols}} = \tilde{U}_{\text{ols}} \tilde{\Sigma}_{\text{ols}} \tilde{V}_{\text{ols}}' \)，其中 \( \tilde{\Sigma}_{\text{ols}} = \text{diag}(\tilde{\sigma}_1, \ldots, \tilde{\sigma}_R) \)。
  4. 应用软阈值：对每个 \( r \)，\( \tilde{\sigma}_r^+ = \max(0, \tilde{\sigma}_r - \lambda) \).
  5. 只保留 那些 \( \tilde{\sigma}_r^+ > 0 \) 的成分（设为 \( R^+ \) 个），构造对角矩阵 \( \Sigma^+ \)、及对应的 \( U_{R^+}, V_{R^+} \)。
  6. 返回到原始尺度：\( B^+ = (X'X)^{-1/2} \tilde{U}_{R^+} \Sigma^+ V_{R^+}' \)。

为什么这解决了“同时选择成分数和收缩系数”？

  • 成分选择：λ 控制阈值——当 λ 大于某个奇异值时，该成分的奇异值被减到零，所以该成分自动被丢弃。成分个数 \( R^+ \) 是 soft-thresholding 后非零奇异值的个数，完全由 λ 和奇异值谱共同驱动，无需预先指定。
  • 系数收缩：对剩下的成分，其奇异值从 \( \tilde{\sigma}_r \) 缩小为 \( \tilde{\sigma}_r - \lambda \)，相当于对每个成分的信号的强度做了 L1-like 收缩（但收缩的是奇异值，不是单个系数元素）。

注意：这个最小化是凸的（核范数是凸的，Frobenius 范数是凸的），因此全局最优解可由软阈值一次性得到。

三、这篇论文做了什么

三句话

  1. 研究问题：在高维多响应回归中设计一种 PCovR 方法，能够同时自动选择成分个数（降维）并正则化回归系数，避免事先指定成分数或做二维网格搜索。
  2. 核心方法/工具：将核范数惩罚（矩阵奇异值之和）嵌入 PCovR 目标函数，通过 GSVD 技巧将约束优化转化为无约束核范数最小化，并用标准软阈值求解。
  3. 主要结论：在仿真（高斯噪声、结构化噪声）和两个真实数据（CERQ 心理量表、HCP 脑连接组）上，PcovRnnp 在预测精度上与 Ridge、SPLS、SPCovR 相当或略优，但具有自动选择成分（免去网格搜索）和成分可解释性的优势；在真实脑成像数据上，联合多响应建模时 PcovRnnp 优于 Ridge 和 SPLS（不再降级）；但系数恢复误差不优于 Ridge。

关键设定与假设

在第二节符号基础上补全完整设定：

  • 数据标准化：X 和 Y 在模型拟合前先中心化并缩放到单位方差（列标准差=1）。这保证截距为零。
  • \( X \) 的满秩假设（隐式）：算法 1 中需要计算 \( (X'X)^{-1} \) 和 \( (X'X)^{1/2} \）。当 \( N < P \)（高维）时，\( X'X \) 不可逆。关键处理（只在式 7 的推导之后才使用）：作者用 GSVD 处理了不可逆情形，并在代码中用 RSpectra 做一个截断 SVD，但在推导中作者默认假设 OLS 存在（Section 2.4.1 行称“introduce the ordinary least squares estimator \( B_{\text{ols}} = (X' X)^{-1} X' Z \)”）。这一点尚未严格处理，但在实践中可通过广义逆或截断 GSVD 规避。
  • 核范数的约束版本：因为 PCovR 要求 \( T = XW \) 正交，核范数惩罚必须关于度量 \( X'X \) 做 GSVD（而非标准 SVD）。这是技术难点之一。
  • α 的估计：沿用 Vervloet et al. (2013) 的 ML 方法，其假设误差为高斯且与 X 无关。作者在仿真 2 和讨论中承认此假设在被违反时可能不恰当。
  • λ 的调参：通过 10 折交叉验证选择 λ1se（一个标准误内最简模型）或 λmin（最小误差）。作者发现 λ1se 在成分选择上更准确。

主要结果

  • 定理类结果：本文未提供新的收敛率或一致性定理。作者仅用已有文献（Candès & Recht, 2009; Bunea et al., 2011; Koltchinskii et al., 2011; Negahban & Wainwright, 2011）的叙述来声称其理论的合理性（Section 2.3.1 “Theoretical Properties” 三段落）。这是论文的一大薄弱处——它主要是一个方法论文档，而非理论论文。

  • 核心方法公式：

  • 目标函数（式 6）：\( L(B) = \frac12 \|Z - XB\|_F^2 + \lambda \|B\|_\dagger \)。

  • 最优解的通解公式（式 9）：\( B^+ = U_{R^+} \Sigma^+ V_{R^+}' \)，其中 \( U_{R^+}, V_{R^+} \) 来自 \( (X'X)^{-1/2} \tilde{U}_{\text{ols}} \) 和 \( \tilde{V}_{\text{ols}} \) 的前 \( R^+ \) 列。

  • 仿真结果（2 个设计）：

  • 仿真 1（纯高斯噪声 + 低秩信号）：PcovRnnp(λ1se, Y-loss) 在高维（N < P）多响应时预测 RMSE 低于 Ridge；系数恢复 RMSE 高于 Ridge；成分选择偏保守（介于 R 与 R+S 之间）。

  • 仿真 2（结构化噪声 + 低秩信号）：预测优势保持，但成分选择多在 R 与总秩 R+S=10 之间，即吸收了非预测成分。

  • 真实数据：

  • CERQ（N=240, P=36, Q=1）：PcovRnnp 与 Ridge/SPCovR/SPLS 的 RMSE 均为 ~0.31±0.05，但平均只选了 4.17 个成分（比 SPCovR 的 6.51 更紧），且成分对应合理的心理构念（如灾难化、自责等）。
  • HCP（N=985, P=4950, Q=7）：单响应建模时预测精度低于 Ridge/SPLS；但多响应联合建模时，Ridge 和 SPLS 的 \( R^2 \) 明显下降，而 PcovRnnp 保持稳定（甚至上升）。作者解释是 α ≈ 0.997（几乎 PCA）减小了多任务冲突，但此处的 α 并未随响应数目自动调整，而是固定的。

证明路线与技术技巧（理论型必写，要具体）

由于本文不是理论型论文，而是方法+应用型，“证明路线”应理解为“从原始 PCovR 约束优化到封闭解的推导路线”。总共 3 步：

  1. 加权变换：将双目标（PCA + RRR）合并为单目标矩阵回归（式 4-5）。关键技巧：定义 \( w_1, w_2 \) 让 Frobenius 范数间的权重归一化，使目标变为 \( \|Z - XB\|_F^2 \)。
  2. 引入核范数并提出约束形式：直接在带 \( T'T = I_R \) 约束的 PCovR 中加核范数会破坏凸性。作者先推导标准核范数不适合（因为正交约束导致度量变了），然后通过 GSVD 将预测变量的内积结构编码进核范数——定义 \( \|B\|_\dagger = \|(X'X)^{1/2} B \|_* \)。
  3. 求解变为无约束核范数最小化：利用恒等式 \( \frac12 \|Z - XB\|_F^2 = \frac12 \|\tilde{B}_{\text{ols}} - \tilde{B}\|_F^2 + \text{const} \)，把 OLS 残差和核范数惩罚统一在一种度量下。之后，由 von Neumann 迹不等式（Carlsson, 2021）知最优 \( \tilde{B} \) 与 \( \tilde{B}_{\text{ols}} \) 共享左右奇异向量，于是问题降解为对奇异值逐一做 soft-thresholding。

关键跳跃点：如何从 \( \|Z - XB\|_F^2 \) 转化为 \( \|\tilde{B}_{\text{ols}} - \tilde{B}\|_F^2 \)。推导需用到 \( B_{\text{ols}} = (X' X)^{-1} X' Z \) 和 \( Z - XB = X(B_{\text{ols}} - B) \)，然后代入 \( \tilde{B} = (X'X)^{1/2} B \)。当 \( X'X \) 奇异时该步需要广义逆，作者未详细展开。

技术技巧点名： - GSVD（Abdi, 2007）：在不可逆度量 \( X'X \) 下做奇异值分解，用于处理约束 PCovR 中的正交结构。 - 软阈值/奇异值阈值（Cai et al., 2010）：每次迭代（其实是单步）直接对奇异值做 max(0, · − λ) 操作。 - von Neumann 迹不等式（Carlsson, 2021）：保证最优 \( \tilde{B} \) 的奇异向量方向与 OLS 解相同。 - 交叉验证的 λ-path 复用：在每个 CV fold 内只做一次 GSVD，之后对不同 λ 只做 soft-thresholding，大幅度降低计算开销（HCP 上 PcovRnnp 用时 ~1h vs SPLS ~40h vs SPCovR >168h timeout）。 - 截断 SVD（RSpectra 包）：只计算前 k 个奇异值和向量，利用核范数惩罚的稀疏化性质。

真实例子与应用

CERQ 数据集： - 数据：240 参与者 × 36 个 CERQ 项目（预测变量），1 年后的 SCL-16 抑郁总分（单响应，log 变换）。 - 用法：10 次重复 10 折交叉验证。α 通过 ML 估得 ~0.97（强 PCA 倾向）；λ 经嵌套 CV 选 λ1se = 0.214；拟合一个 4 成分模型。 - 结果：4 个成分对应认知重评（comp.1）、灾难化/责备他人（comp.2）、反刍 vs 转移注意（comp.3）、归因方向（comp.4）。Comp.2（载荷 3.11）最强预测抑郁。 - 想说明：PcovRnnp 能自动提取理论上合理的心理结构，且成分更少、更易解释。

HCP 数据集： - 数据：985 参与者 × 4950 个静息态功能连接特征（100 个脑区对的偏相关系数）；7 个 NIH 工具箱行为评分（年龄、认知能力、流体智力、抑制、认知灵活性、情景记忆、愤怒情绪）。 - 用法：600 训练 / 385 验证；分别做单响应和联合多响应建模（单响应即每个变量独立拟合；联合即所有 Q=7 个响应用一个 λ 同时拟合）。α 估为 ~0.997（基本等于 PCA）；λ 通过嵌套 10 折 CV 选 λ1se。 - 结果（联合模型）： - PcovRnnp 的 Calibration-set R² 为年龄 0.131±0.051、认知能力 0.111±0.069；Ridge 和 SPLS 相应的 R² 明显更低（Ridge：0.078±0.034 / 0.058±0.046；SPLS：0.040±0.084 / 0.200±0.103）。 - Validation-set R² 基本在 Calibration-set M±SD 范围内（除了个别边缘情况），表明可复制。 - SPCovR 因超时被排除。 - 想说明：PcovRnnp 在多响应联合建模时不会像 Ridge/SPLS 那样因共享惩罚而损失预测力，这可能得益于其 α≈1 的 PCA 倾向（即主要恢复连接矩阵结构而非专门优化预测）。

🔎 结论是否比证明窄

是的。本文在引言和 Section 2.3.1 中声称 PcovRnnp 具有“理论一致性”（来自引用 Bunea et al.; Negahban & Wainwright），而在实际推导中并没有给出 PcovRnnp 自身在任意 \( X \) 下的误差界。具体漏洞：

  • Section 2.3.1 三个段落只是引述已有文献的结果（如“nuclear norm penalty adapts to low-rank structure”），但作者从未声明本文的 GSVD 版本是否继承这些界的常数或率。当 X 列满秩时也许直接继承，但当 \( N<P \) 时 OLS 需使用伪逆，此情形下的理论性质未被讨论。
  • 作者在 Section 7 中承认“PcovRnnp does not show a clear advantage in recovering true coefficients compared to Ridge”，且只是通过实验观察到此现象，未从理论上解释为何核范数在参数恢复上不利。
  • α 的适应性：α 被设为常数（通过 ML 一步估计），并未随 λ 或成分数改变而重新优化，这与凸优化框架分离。但作者在联合建模 HCP 时发现 α≈0.997，这暗示 PcovRnnp 在设置中退化成了 PCA + 对 Y 的后续线性回归（而非真正的联合低秩预测）。

因此，读者应知晓：本文的“理论”部分不提供新的定理，而主要依赖已有核范数矩阵估计文献的已有结果作为合理性论证。 对于 N < P 或结构化噪声场景的精细理论，本文并未涉及。

四、开放问题（点到为止，扎根具体语句）

  1. 双重惩罚：核范数 + Ridge（或 Lasso）：作者在 Section 7 明确指出：“Some research suggests that combining a nuclear norm penalty with an additional Ridge penalty could yield more accurate coefficient estimates (Chen et al., 2013).” 但本文未实现或分析该复合惩罚的求解和理论。扎根于 Section 7 的 “first, PcovRnnp does not show a clear advantage in recovering true coefficients…”.

  2. 统计误差界的非渐进推导：本文定位为方法论而非理论论文，并未提供 PcovRnnp 在任何设定下的 finite-sample 或 minimax 误差界，也未讨论当 \( N < P \) 时 GSVD 软阈值的最小奇异值阈值带来的 rank recovery 保证。读者可对照 Bunea et al. (2011) 的降秩回归错误率定理并按本文 GSVD 版本重新推导。

  3. α 的鲁棒估计：作者承认（Section 7）“the ML approach to estimate the weight hyperparameter α might be theoretically inappropriate because the ML framework assumes error to be completely Gaussian...” 并提出可用网格搜索替代（但代价增加）。扎根于 Section 7 第 2 句。

  4. 多模块数据扩展：本文的框架只处理一个预测变量矩阵 X。作者指出“there is also interest in multiblock data, e.g., predicting depression symptoms from multiple questionnaires or predicting cognitive capacity based on both structural and functional brain imaging data.” 扎根于 Section 7 “Future research” 段落。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论