基于矩阵的噪声观测,我们构建了一个弹性框架以推断其线性形式,我们提出了一种构建渐近正常估计量的普遍过程,以进行双重样本去偏差和低秩投影,从而允许我们构建线性形式的置信区间并检验假说。
Aug, 2019
本文围绕低秩矩阵重构问题,重点研究在观测样本受噪声污染时的矩阵填充问题,比较了 OptSpace、ADMIRA 和 FPCA 三种最新的填充算法在单一模拟平台上的性能,并给出了数值结果。实验表明,这些优秀的算法可以用于准确重构实际数据矩阵和随机生成的矩阵。
Oct, 2009
本文针对具有噪声的矩阵完成任务进行了研究,特别关注于估计由两个未知矩阵的乘积组成的矩阵,其中一个是稀疏矩阵的情况,提出了基于稀疏因子模型的正则化最大似然估计的误差界和算法方法。
Nov, 2014
本研究论文介绍新兴的矩阵填充技术及其应用,其中最简单的情况是从一个数据样本中恢复一个数据矩阵。本文提出通过核范数极小化技术,按数据约束条件恢复矩阵,可在一定程度下证明矩阵填充的准确性,数值结果表明,核范数极小化技术可以在很少的观测样本中准确填充低秩矩阵的许多缺失条目。
Mar, 2009
基于高斯过程潜变量模型的贝叶斯非线性矩阵补全算法,经过数据并行分布式计算方法加以优化,实现了对于高度稀疏大型矩阵的预测任务,得到了较好的实验结果。
Jul, 2019
本文解决了一种矩阵完成问题,特别是当某些列完全且任意被污染,通过一个修剪和凸程序的组合,最小化核范数和 l (1,2) 范数,我们的理论结果表明,即使观察到的条目比例很小,也可以完成底层矩阵,即使被污染的列的数量增加,还可以进行矩阵完成。
Feb, 2011
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
研究了一种基于核范数惩罚的矩阵完成方法,解决了样本噪声分布属于指数族的情况,证明得到的速率优于以往;在已知样本分布的基础上,提出了另一种估计方法,并在 Kullback-Leibler 预测风险方面证明了内部一致性,也能得到 Frobenius 预测风险的上限,并最终证明了所有速率都是至少最优的。
Feb, 2015
该研究针对一种形式的行 / 列加权采样的矩阵完成问题进行了分析,提出了一种基于 $M$-estimator 的技术,通过对解的秩和 spikiness 同时进行控制,在加权 Frobenius 范数下建立了一些误差界限,其中关于矩阵的 “spikiness” 和 “low-rankness” 的度量比以前的工作限制更少。
Sep, 2010
在 Ma 和 Chen 引入的模型的基础上,本文提出了一种两阶段的算法来处理矩阵填充中的观测偏差,并利用共享信息来提高预测性能,经实验证明本算法的表现可与未观测协变量相同,并获得性能提高。
Jun, 2023