迭代谱稳定化（ISS）：一种基于目标奇异值分解的重调节方法用于缓解集成数据集中的非均匀多重共线性

《IEEE Access》：Iterative Spectral Stabilization for Non-Uniform Multicollinearity in Integrated Datasets

　　摘要：大规模集成数据集通常表现出非均匀多重共线性，其中不同批次之间的相关结构差异导致合并后的特征集不稳定，成为稳定回归分析的关键瓶颈。虽然传统方法如主成分分析（PCA）和岭回归能够提供数值稳定性，但它们对奇异谱的统一处理往往导致信息丢失或严重的整体偏差。本文提出迭代谱稳定化（ISS）方法来稳定特征矩阵，同时保持原始坐标系的完整性。本文所述方法是一种基于目标奇异值分解（SVD）的重调节算法，用于减轻集成数据集中的多重共线性。ISS使用迭代谱校正，选择性地将近零奇异值提高到条件数阈值，同时保持特征结构。在多样化和病态场景中的实验结果表明，与PCA相比，ISS实现了高达50%的Frobenius畸变减少。它还一致地比岭回归和弹性网络回归方法产生更低的系数平方误差（SEC）。ISS通过设置目标条件数，在数值稳定性和参数估计准确性之间提供了可控的权衡。这使ISS在异构数据集中具有独特地位，在这些数据集中，减轻局部多重共线性不能以牺牲特征可解释性为代价。