非凸张量补全的不确定性量化:置信区间、异方差性和最优性
我们提出了一个两阶段的非凸算法,用于从高度不完整和随机损坏的观测值中重建低秩张量,并在几乎线性时间内恢复所有单个张量因子,同时享受接近最优的统计保证,我们还讨论了如何扩展我们的方法以适应非对称张量。
Nov, 2019
本文提出了一种补偿广泛使用的凸估计器偏差的简单程序,从而实现了对噪声矩阵完成的不确定性和推断,并产生了近乎精确的非渐近分布表征,进而实现了对缺失条目和低秩因子的置信区间的最优构建。
Jun, 2019
本文研究了针对大规模低秩矩阵的部分和带噪声数据中的矩阵补全问题,采用凸松弛和 Burer-Monteiro 方法,成功地将凸松弛的实践与非凸方法的统计保证相结合,取得了近乎最优的估计误差。
Feb, 2019
本文提出一种针对高维张量数据的估计和推断方法,通过假设数据遵循张量正态分布来简化精度矩阵的估计,使用交替迭代优化算法估计每个稀疏精度矩阵,并且提出一种去偏置统计推断方法来控制虚警率,实证结果证实了该方法在自闭症谱系障碍和广告点击分析等实际应用上的有效性,同时我们将其编码为一个名为 Tlasso 的公开的 R 包。
Sep, 2016
该研究论文中介绍了一种解决张量完备问题的新算法,通过采用基于凸优化问题和基于规范的张量范数的约束来解决计算能力与信息论采样复杂性之间的矛盾,实现了收敛性和信息论速率。
Feb, 2024
该论文提出了一种灵活的通用低秩张量估计问题的框架,包括计算成像、基因组学和网络分析等应用中的许多重要实例,并通过投影梯度下降的统一方法来克服这些问题的非凸性,以适应底层低秩结构,并证明该算法在估计误差的收敛速度上达到极小值最优率。
Feb, 2020
该研究提出一种基于稀疏张量分解和阈值梯度下降的二阶段非凸实现框架,可从立方挖掘中进行稀疏和低秩张量估计,在无噪音情况下确保准确恢复,在带噪音情况下高概率稳定恢复,并导出了新的高阶浓度不等式对高阶交互追求在高维线性回归中的潜在应用进行了张量表述。
Jan, 2018
本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断,特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。我们提出了一个基于非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架,用于 Hadamard 可微函数和随机优化问题,从而提供了一个有原则的选择分布不确定性区域大小的方法,以实现达到精确覆盖的单侧和双侧置信区间。我们还给出了我们分布鲁棒的公式的渐近展开,表明如何通过方差来规范化问题。最后,我们证明了,我们研究的分布鲁棒公式的优化器具有与经典样本平均逼近中的优化器基本相同的一致性属性。我们的一般方法适用于快速混合的平稳序列,包括几何上遗传的 Harris 递归马尔科夫链。
Oct, 2016
本文在凸优化框架中研究了鲁棒性低秩张量恢复问题,并提出了具有全局收敛保证的定制优化算法,包括交替方向增广 Lagrange 算法和加速近端梯度方法。作者还提出了一种非凸模型,并通过实际应用展示了鲁棒性低秩张量恢复的实用有效性。
Nov, 2013