R 包 psvmSDR：通过主机器实现充分降维的统一算法
The R package psvmSDR: A Unified Algorithm for Sufficient Dimension Reduction via Principal Machines
AI总结：
本文提出 R 包 psvmSDR，基于主支持向量机推广的主机器实现线性和非线性充分降维，并提供下降算法和实时更新功能，可替代经典 dr 包。
摘要：
充分降维（SDR）旨在寻找包含回归或分类信息的预测变量低维子空间，已在机器学习社区中广受欢迎。在本工作中，我们提出了一个新的 R 软件包 psvmSDR，它实现了一类新的 SDR 估计器，我们将其称为从主支持向量机（PSVM）推广而来的主机器（PM）。该包涵盖线性和非线性 SDR，并提供适用于实时更新场景的函数。该包实现了针对 PM 的下降算法，以在各种情况下高效计算 SDR 估计器。这个易于使用的包将成为实现经典 SDR 方法的 dr R 包的一个有吸引力的替代方案。
英文摘要：
Sufficient dimension reduction (SDR), which seeks a lower-dimensional subspace of the predictors containing regression or classification information has been popular in a machine learning community. In this work, we present a new R software package psvmSDR that implements a new class of SDR estimators, which we call the principal machine (PM) generalized from the principal support vector machine (PSVM). The package covers both linear and nonlinear SDR and provides a function applicable to realtime update scenarios. The package implements the descent algorithm for the PMs to efficiently compute the SDR estimators in various situations. This easy-to-use package will be an attractive alternative to the dr R package that implements classical SDR methods.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
