对比多重对应分析（cMCA）：使用对比学习识别政党中的潜在子群
社会与信息网络
2023-06-02 v3 机器学习
机器学习
摘要
尺度方法长期以来被用于简化和聚类高维数据。然而，从这些方法得出的跨所有预定义组的通用潜在空间，有时并不符合研究者对组内特定模式的兴趣。为了解决这个问题，我们采用了一种称为对比学习的新兴分析方法。我们通过将其思想扩展到多重对应分析（MCA）来为这一不断发展的领域做出贡献，以便能够分析社会科学家经常遇到的包含二元、有序和名义变量的数据。我们通过分析美国和英国选民的两项不同调查来展示对比MCA（cMCA）的实用性。我们的结果表明：首先，cMCA能够识别传统方法所忽略的子群之间具有重要实质意义的维度和分歧；其次，在其他情况下，cMCA能够推导出强调那些在传统方法推导结果中适度显现的子群的潜在特征。
引用
@article{arxiv.2007.04540,
title = {Contrastive Multiple Correspondence Analysis (cMCA): Using Contrastive Learning to Identify Latent Subgroups in Political Parties},
author = {Takanori Fujiwara and Tzu-Ping Liu},
journal= {arXiv preprint arXiv:2007.04540},
year = {2023}
}
备注
Both authors contributed equally to this work and are listed alphabetically. This manuscript is accepted by PLOS ONE