广义均值分布式PCA

兼顾特征值信息

一种利用矩阵广义均值聚合局部结果的分布式主成分分析方法，通过可调参数灵活聚合，提升稳健性。

Jou, Zhiyu · Huang, Su-Yun · Hung, Hung · Eguchi, Shinto

Journal of Computational and Graphical Statistics 2026

技术优势

引入特征值信息

现有DPCA方法仅聚合投影矩阵，忽略特征值，本文利用矩阵广义均值同时聚合特征值信息，提高估计效率。

灵活稳健的聚合

矩阵广义均值包含可调参数，可退化为算术均值、调和均值或极限为几何均值，并与Bregman矩阵散度相关联，提供稳健性。

支持特征向量排序稳定性

研究了在扰动下特征向量排序的稳定性，确保聚合后子空间估计的可靠性。

应用场景

• 大数据分布式计算：在分布式节点上高效估计主成分子空间，避免集中计算，适合大规模数据降维。
• 分布式机器学习：作为机器学习流水线中的分布式PCA模块，在数据分散存储时提供可靠的特征提取。
• 联邦学习：在联邦场景中聚合本地PCA结果而无需共享原始数据，适用于隐私敏感环境。