covariance-based eigen decomposition

新框架通过双重惩罚增强多变量函数数据分析

本文介绍了一种名为正则化多变量函数主成分分析（ReMFPCA）的新框架，该框架利用函数奇异值分解（SVD）。该方法通过在希尔伯特空间内应用广义函数SVD来增强现有的MFPCA方法，从而允许同时正则化函数主成分及其得分。一个显著的特点是包含了对PC得分的稀疏性惩罚，通过去除不相关的受试者特定变化来提高可解释性。该框架还提出了两种幂算法实现和一种用于选择平滑参数的交叉验证方法，并通过模拟和实际应用表明其提取信息成分的能力得到了提高。