High-dimension, low-sample-size asymptotic theory for nonlinear feature selection
High-dimension, low-sample-size asymptotic theory for nonlinear feature selection
用于非线性特征选择的高维、低样本量渐近理论
批准号：
20K22305
负责人：
Nakayama Yugo
金额：
$1.66万
依托单位：
依托单位国家：
日本
项目类别：
Grant-in-Aid for Research Activity Start-up
财政年份：
2020
资助国家：
日本
项目状态：
已结题
起止时间：
2020-09-11 至 2023-03-31
中文摘要
翻译
点击翻译按钮获取中文摘要
英文摘要
期刊论文(14)
专著(0)
科研奖励(0)
会议论文
登录
查看更多内容
Clustering by kernel PCA with Gaussian kernel and tuning for high-dimensional data
通过具有高斯核的核 PCA 进行聚类并针对高维数据进行调整
通过具有高斯核的核 PCA 进行聚类并针对高维数据进行调整
DOI：
--
发表时间：
2021
期刊：
影响因子：
--
作者：
[Nakayama Yugo, Yata Kazuyoshi, Aoshima Makoto]
通讯作者：
Aoshima Makoto
ガウシアンカーネルに基づく高次元データの分類問題
基于高斯核的高维数据分类问题
基于高斯核的高维数据分类问题
DOI：
--
发表时间：
2021
期刊：
影响因子：
--
作者：
[He Yue, Kawai Reiichiro, 福田一貴, 松浦浩平, 大場貴裕, 中山優吾]
通讯作者：
中山優吾
高次元データにおける異常値の検出について
关于检测高维数据中的异常值
关于检测高维数据中的异常值
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
[中山優吾, 矢田和善, 青嶋 誠]
通讯作者：
青嶋 誠
高次元カーネル主成分分析に基づく異常値の検出
基于高维核主成分分析的异常值检测
基于高维核主成分分析的异常值检测
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
[中山優吾, 矢田和善, 青嶋 誠]
通讯作者：
青嶋 誠
高次元主成分スコアに基づく異常値の検出法
基于高维主成分得分的异常检测方法
基于高维主成分得分的异常检测方法
DOI：
--
发表时间：
2022
期刊：
影响因子：
--
作者：
[中山優吾, 矢田和善, 青嶋 誠]
通讯作者：
青嶋 誠
共 14 条
海外基金