韩润刚;丽贝卡·威利特;张安如R。 广义张量估计的最佳统计和计算框架。 （英语） Zbl 1486.62161号 Ann.统计。 50，编号1，1-29（2022）. 摘要：本文描述了广义低秩张量估计问题的一个灵活框架，其中包括计算成像、基因组学和网络分析应用中产生的许多重要实例。该估计器包括在广义参数模型下找到一个适合数据的低秩张量。为了克服这些问题的非凸性困难，我们引入了一种适用于底层低阶结构的投影梯度下降统一方法。在损失函数的温和条件下，通过一般确定性分析，我们建立了统计误差的上界和计算收敛的线性速度。然后我们进一步考虑一组广义张量估计问题，包括亚高斯张量PCA、张量回归以及泊松和二项式张量PCA。我们证明了所提出的算法在估计误差方面达到了最小最大最优收敛速度。最后，通过对模拟数据和实际数据的大量实验，我们证明了该框架的优越性。 引用于5文件 理学硕士： 62甲12 多元分析中的估计 15A69号 多线性代数，张量微积分 62H25个 因子分析和主成分；对应分析 62C20个 统计决策理论中的Minimax过程 90C26型 非凸规划，全局优化 关键词：广义张量估计;梯度下降;图像去噪;低秩张量;极大极小最优性;非凸优化 软件：Wirter流量;十字架;张力调节器;多群集 PDF格式BibTeX公司 XML格式引用 \textit{R.Han}等人，Ann.Stat.50，No.1，1--29（2022；Zbl 1486.62161） 全文： 内政部 arXiv公司 参考文献： [1] Ahmed，A.、Recht，B.和Romberg，J.（2014）。使用凸规划进行盲反褶积。IEEE传输。Inf.理论60 1711-1732. ·Zbl 1360.94057号 ·doi:10.10109/TIT.2013.2294644文件 [2] Anandkumar，A.、Ge，R.、Hsu，D.、Kakade，S.M.和Telgarsky，M.（2014）。用于学习潜在变量模型的张量分解。J.马赫。学习。物件。15 2773-2832. ·Zbl 1319.62109号 [3] ARROYO，J.、ATHREYA，A.、CAPE，J.，CHEN，G.、PRIEBE，C.E.和VOGELSTEIN，J.T.（2021年）。具有公共不变子空间的多个异构网络的推理。J.马赫。学习。物件。22第142号论文·Zbl 07415085号 [4] BAHADORI，M.T.，YU，Q.R.和LIU，Y.（2014）。基于低秩张量学习的快速多元时空分析。在神经信息处理系统研究进展3491-3499. [5] BAKER，Y.、TANG，T.M.和ALLEN，G.I.（2020年）。用于与混合多视图数据集成的特征选择。附录申请。斯达。14 1676-1698. ·Zbl 1498.62191号 ·doi:10.1214/20-AOAS1389 [6] BARAK，B.和MOITRA，A.（2016年）。通过平方和层次结构实现噪声张量补全。在学习理论会议417-445. [7] BI，X.，QU，A.和SHEN，X.（2018）。多层张量因式分解及其在推荐系统中的应用。安。统计师。46 3308-3333. ·Zbl 1454.62511号 ·doi:10.1214/17-AOS1659 [8] CAI，T.T.，LI，X.和MA，Z.（2016）。基于阈值Wirtinger流的噪声稀疏相位恢复的最佳收敛速度。安。统计师。44 2221-2251. ·Zbl 1349.62019号 ·doi:10.1214/16-AOS1443 [9] Cai，C.、Li，G.、Poor，H.V.和Chen，Y.（2019年）。噪声数据的非凸低秩张量补全。在神经信息处理系统研究进展1861-1872. [10] Candès，E.J.、Li，X.和Soltanolkotabi，M.（2015）。通过Wirtier流进行相位恢复：理论和算法。IEEE传输。Inf.理论61 1985-2007. ·Zbl 1359.94069号 ·doi:10.1109/TIT.2015.2399924 [11] Candes，E.J.和Plan，Y.（2010年）。带噪声的矩阵完成。程序。电气与电子工程师协会98 925-936. [12] CANDÈS，E.J.和PLAN，Y.（2011）。从最少数量的噪声随机测量中恢复低秩矩阵的严格预言不等式。IEEE传输。Inf.理论57 2342-2359. ·Zbl 1366.90160号 ·doi:10.1109/TIT.2011.2111771 [13] Candès，E.J.和Recht，B.（2009年）。通过凸优化实现精确矩阵补全。已找到。计算。数学。9 717-772. ·Zbl 1219.90124号 ·doi:10.1007/s10208-009-9045-5 [14] 曹毅和谢毅（2016）。泊松矩阵恢复和完成。IEEE传输。信号处理。64 1609-1620. ·Zbl 1412.94024号 ·doi:10.1109/TSP.2015.2500192 [15] 曹毅、张安和李华（2020）。宏基因组数据中细菌组成矩阵的多样本估计。生物特征107 75-92. ·Zbl 1435.62188号 ·doi:10.1093/biomet/asz062 [16] Chen，W.-K.（2019）。带有Rademacher先验的尖峰随机张量中的相变。安。统计师。47 2734-2756. ·Zbl 1426.82022年 ·doi:10.1214/18-AOS1763 [17] Chen，Y.和Candes，E.（2015）。求解随机二次方程组几乎与求解线性系统一样容易。在神经信息处理系统研究进展739-747. [18] CHEN，Y.和CHI，Y.（2018）。通过保证低秩矩阵估计来利用大数据中的结构。ArXiv预印本。可从ArXiv:1802.08397获得。 [19] CHEN，H.、RASKUTTI，G.和YUAN，M.（2019年）。广义低秩张量回归的非凸投影梯度下降。J.马赫。学习。物件。20第5号论文·Zbl 1483.62091号 [20] CHI，E.C.和KOLDA，T.G.（2012年）。关于张量、稀疏性和非负因子分解。SIAM J.矩阵分析。申请。33 1272-1299. ·Zbl 1262.15029号 ·数字对象标识代码：10.1137/10859063 [21] Chi，Y.，Lu，Y.M.和Chen，Y.（2019）。非凸优化满足低秩矩阵分解：综述。IEEE传输。信号处理。67 5239-5269. ·Zbl 07123429号 ·doi:10.1109/TSP.2019.2937282 [22] CHI，E.C.、GAINES，B.R.、SUN，W.W.、ZHOU，H.和YANG，J.（2020年）。张量的可证明凸协聚。J.马赫。学习。物件。21第214号文件·Zbl 1529.62066号 [23] DE LATHAUWER，L.、DE MOOR，B.和VANDEWALLE，J.（2000a）。多线性奇异值分解。SIAM J.矩阵分析。申请。21 1253-1278. ·兹比尔0962.15005 ·doi:10.1137/S0895479896305696 [24] DE LATHAUWER，L.、DE MOOR，B.和VANDEWALE，J.（2000b）。关于高阶张量的最佳秩-1和秩-[（{R_1}，{R_2}，\dots，{R_N}）]逼近。SIAM J.矩阵分析。申请。21 1324-1342. ·Zbl 0958.15026号 ·doi:10.1137/S0895479898346995 [25] FAN，J.、GONG，W.和ZHU，Z.（2019年）。基于核范数正则化的广义高维跟踪回归。J.计量经济学212 177-202. ·Zbl 1452.62536号 ·doi:10.1016/j.jeconom.2019.04.026 [26] Faust，K.、Sathirapongsasuti，J.F.、Izard，J.、Segata，N.、Gevers，D.、Raes，J.和Huttenhower，C.（2012）。人类微生物群中的微生物共生关系。公共科学图书馆计算。生物。8 e1002606。 [27] FAZEL，M.（2002）。矩阵秩最小化及其应用。 [28] FLORES，G.E.，CAPORASO，J.G.，HENLEY，J.B.，RIDEOUT，J.R.，DOMOGALA，D.，CHASE，J.，LEFF，J.W.，VáZQUEZ-BAEZA，Y.，GONZALEZ，A.等人（2014）。时间变异性是人类微生物组的一个个性化特征。基因组生物学。15 531. ·doi:10.1186/s13059-014-0531-y [29] FRIEDLAND，S.和LIM，L.-H.（2018）。高阶张量的核范数。数学。公司。87 1255-1281. ·Zbl 1383.15018号 ·doi:10.1090/mcom/3239 [30] GANDY，S.、RECHT，B.和YAMADA，I.（2011年）。基于凸优化的张量补全和低秩张量恢复。反向问题。27 025010. ·Zbl 1211.15036号 ·doi:10.1088/0266-5611/27/2/025010 [31] GUHANIYOGI，R.、QAMAR，S.和DUNSON，D.B.（2017年）。贝叶斯张量回归。J.马赫。学习。物件。18第79号论文·Zbl 1440.62253号 [32] GUO，W.、KOTSIA，I.和PATRAS，I.（2012）。回归的张量学习。IEEE传输。图像处理。21 816-827. ·Zbl 1373.62308号 ·doi:10.1109/TIP.2011.2165291 [33] HALL，E.C.、RASKUTTI，G.和WILLETT，R.（2016）。高维自回归广义线性模型的推断。ArXiv预印本。可从ArXiv:1605.02693获得·Zbl 1432.62228号 [34] HAN，R.、WILLETT，R.和ZHANG，A.R.（2022）。补充“广义张量估计的最佳统计和计算框架”https://doi.org/10.1214/21-AOS2061SUPP网站 [35] Han，Q.，Xu，K.和Airoldi，E.（2015）。动态和多层块模型的一致估计。在机器学习国际会议1511-1520. [36] HAO，B.、ZHANG，A.和CHENG，G.（2020年）。通过三次草图进行稀疏和低阶张量估计。IEEE传输。Inf.理论66 5927-5964. ·Zbl 1448.62072号 ·doi:10.1109/TIT.2020.2982499 [37] HENRIQUES，R.和MADEIRA，S.C.（2019年）。三维数据分析的三聚类算法：综合调查。倒排索引综述(CSUR公司) 51 95. [38] HILLAR，C.J.和LIM，L.-H.（2013）。大多数张量问题都是NP-hard问题。美国临床医学杂志60第45条·Zbl 1281.68126号 ·doi:10.1145/2512329 [39] HOFF，P.D.（2015）。纵向关系数据的多线性张量回归。附录申请。斯达。9 1169-1193. ·Zbl 1454.62481号 ·doi:10.1214/15-AOAS839 [40] HONG，D.，KOLDA，T.G.和DUERSCH，J.A.（2020年）。广义正则多元张量分解。SIAM版本。62 133-163. ·Zbl 1432.68385号 ·doi:10.1137/18M1203626 [41] HOPKINS，S.B.，SHI，J.和STEURER，D.（2015）。通过平方和证明进行张量主成分分析。在会议记录28第届学习理论会议3-6. [42] Javanmard，A.和Montanari，A.（2018年）。去除拉索：高斯设计的最佳样本量。安。统计师。46 2593-2622. ·Zbl 1407.62270号 ·doi:10.1214/17-AOS1630 [43] JIANG，X.、RASKUTTI，G.和WILLETT，R.（2015）。物理约束泊松反问题的极小极大最优速率。IEEE传输。Inf.理论61 4458-4474. ·Zbl 1359.94106号 ·doi:10.1109/TIT.2015.2441072 [44] JOHNDROW，J.E.、BHATTACHARYA，A.和DUNSON，D.B.（2017年）。张量分解和稀疏对数线性模型。安。统计师。45 1-38. ·Zbl 1367.62180号 ·doi:10.1214/15-AOS1414 [45] Jolliffe，I.T.（1986）。主成分分析.统计学中的斯普林格系列纽约州施普林格·doi:10.1007/9781-4757-1904-8 [46] Keshavan，R.H.、Montanari，A.和Oh，S.（2010年）。从噪声条目中完成矩阵。J.马赫。学习。物件。11 2057-2078. ·Zbl 1242.62069号 [47] Kolda，T.G.和Bader，B.W.（2009年）。张量分解及其应用。SIAM版本。51 455-500. ·Zbl 1173.65029号 ·doi:10.1137/07070111X [48] Koltchinskii，V.、Lounici，K.和Tsybakov，A.B.（2011年）。噪声低秩矩阵补全的核形式惩罚和最优速率。安。统计师。39 2302-2329. ·Zbl 1231.62097号 ·doi:10.1214/11-AOS894 [49] KRIVANEK，O.、DELLBY，N.和LUPINI，A.（1999）。朝向亚A电子束。超微显微镜78 1-11. [50] Kroonenberg，P.M.（2008）。应用多路数据分析.概率统计中的威利级数Wiley Interscience，新泽西州霍博肯·Zbl 1160.62002号 ·数字对象标识代码：10.1002/9780470238004 [51] Lei，J.、Chen，K.和Lynch，B.（2020年）。在多层网络数据中进行一致的社区检测。生物特征107 61-73. ·Zbl 1435.62235号 ·doi:10.1093/biomet/asz068 [52] LESIEUR，T.、KRZAKALA，F.和ZDEBOROVá，L.（2017）。约束低秩矩阵估计：相位转换、近似消息传递和应用。《统计力学杂志》。理论实验。7 073403. ·Zbl 1462.62324号 ·doi:10.1088/1742-5468/aa7284 [53] LI，N.和LI，B.（2010年）。用于高光谱图像车载压缩的张量补全。2010年IEEE国际图像处理会议517-520. IEEE，纽约。 [54] LI，L.和ZHANG，X.（2017）。简约张量响应回归。J.Amer。统计师。协会。112 1131-1146. ·doi:10.1080/01621459.2016.1193022 [55] Li，X.，Xu，D.，Zhou，H.和Li，L.（2018）。塔克张量回归和神经影像分析。Stat.Biosci公司。10 520-545. [56] Liu，J.、Musialski，P.、Wonka，P.和Ye，J.（2013）。用于估计视觉数据中缺失值的张量补全。IEEE传输。模式分析。机器。智力。35 208-220. [57] LUBICH，C.、ROHWEDDER，T.、SCHNEIDER，R.和VANDEREYCKEN，B.（2013）。通过层次Tucker和张量训练张量的动力学近似。SIAM J.矩阵分析。申请。34 470-494. ·Zbl 1391.15087号 ·数字对象标识代码：10.1137/120885723 [58] MA，Z和MA，Z（2017）。通过快速通用的潜在空间模型拟合探索大型网络。ArXiv预印本。可从ArXiv:1705.02372获得。 [59] MCMAHAN，H.B.、HOLT，G.、SCULLEY，D.、YOUNG，M.、EBNER，D.、GRADY，J.、NIE，L.、PHILLIPS，T.、DAVYDOV，E.等人（2013年）。广告点击预测：战壕视图。在会议记录19第届ACM SIGKDD知识发现和数据挖掘国际会议1222-1230. 纽约ACM。 [60] Montanari，A.、Reichman，D.和Zeitouni，O.（2017）。关于谱方法的局限性：从高斯隐团问题到高斯张量的秩一扰动。IEEE传输。Inf.理论63 1572-1579. ·Zbl 1366.94150号 ·doi:10.1009/TIT.2016.26377959 [61] Montanari，A.和Sun，N.（2018年）。张量补全的谱算法。普通纯应用程序。数学。71 2381-2425. ·Zbl 1404.15023号 ·doi:10.1002/cpa.21748 [62] OYMAK，S.、JALALI，A.、FAZEL，M.、ELDAR，Y.C.和HASSIBI，B.（2015）。应用于稀疏矩阵和低秩矩阵的同时结构化模型。IEEE传输。Inf.理论61 2886-2908. ·Zbl 1359.94150号 ·doi:10.1109/TIT.2015.2401574 [63] PARK，D.、KYRILLIDIS，A.、CARAMANIS，C.和SANGHAVI，S.（2018年）。通过非凸矩阵分解找到低阶解，高效且可证明。SIAM J.成像科学。11 2165-2204. ·Zbl 1419.90065号 ·doi:10.1137/17M1150189 [64] Pensky，M.和Zhang，T.（2019年）。动态随机块模型中的谱聚类。电子。J.统计。13 678-709. ·兹比尔1415.62046 ·doi:10.1214/19-ejs1533 [65] Perry，A.、Wein，A.S.和Bandeira，A.S.（2020年）。尖峰张量模型的统计极限。亨利·彭加雷·普罗巴布（Henri PoincaréProbab）安·Inst。斯达。56 230-264. ·Zbl 1439.62073号 ·doi:10.1214/19-AIHP960 [66] RASKUTTI，G.，YUAN，M.和CHEN，H.（2019年）。高维多响应张量回归的凸正则化。安。统计师。47 1554-1584. ·Zbl 1428.62324号 ·doi:10.1214/18-AOS1725 [67] RAUHUT，H.、SCHNEIDER，R.和STOJANAC。(2015). 层次张量表示中的张量补全。在压缩传感及其应用.申请。数字。哈蒙。分析。419-450. Birkhäuser/Springer，Cham公司·Zbl 1333.94023号 [68] RAUHUT，H.、SCHNEIDER，R.和STOJANAC。(2017). 通过迭代硬阈值恢复低秩张量。线性代数应用。523 220-262. ·Zbl 1372.65130号 ·doi:10.1016/j.laa.2017.02.028 [69] Richard，E.和Montanari，A.（2014）。张量主成分分析的统计模型。在神经信息处理系统研究进展2897-2905. [70] SALMON，J.、HARMANY，Z.、DELEDALLE，C.-A.和WILLETT，R.（2014）。基于非局部PCA的泊松噪声抑制。数学杂志。图像视觉48 279-294. ·Zbl 1365.94050号 ·doi:10.1007/s10851-013-0435-6 [71] Sewell，D.K.和Chen，Y.（2015）。动态网络的潜在空间模型。J.Amer。统计师。协会。110 1646-1657. ·Zbl 1373.62580号 ·数字标识代码：10.1080/01621459.2014.988214 [72] SHAH，D.（2018）。矩阵估计、潜在变量模型和协同过滤。37第届IARCS软件技术和理论计算机科学基础年会.LIPIcs公司。莱布尼茨国际程序。通知。93第4条。达格斯图尔宫。莱布尼兹·赞特。通知。，韦德恩·Zbl 1496.62096号 [73] SHAN，L.、LIN，L.、SUN，C.和WANG，X.（2016）。通过基于特征的完全耦合交互张量分解预测广告点击率。电子商务研究与应用16 30-42. [74] SIGNORETTO，M.、VAN DE PLAS，R.、DE MOOR，B.和SUYKENS，J.A.（2011年）。张量与矩阵完成：与光谱数据应用的比较。IEEE信号处理。莱特。18 403-406. [75] SUN，W.W.和LI，L.（2017）。存储：稀疏张量反应回归和神经影像分析。J.马赫。学习。物件。18第135号文件·Zbl 1442.62773号 [76] SUN，R.和LUO，Z.-Q.（2015）。通过非凸因子分解保证矩阵完成。2015年电气与电子工程师协会56第届计算机科学基础年会2015 270-289. IEEE计算机协会，加利福尼亚州洛斯阿拉米托斯·doi:10.1009/FOCS.2015.25 [77] Sun，W.W.，Lu，J.，Liu，H.和Cheng，G.（2017）。可证明的稀疏张量分解。J.R.统计社会服务。B.统计方法。79 899-916. ·Zbl 1411.62158号 ·doi:10.1111/rssb.12190 [78] Tibshirani，R.（1996）。通过套索回归收缩和选择。J.罗伊。统计师。Soc.序列号。B类58 267-288. ·Zbl 0850.62538号 [79] TIMMERMANN，K.E.和NOWAK，R.D.（1999）。泊松过程的多尺度建模和估计及其在光限成像中的应用。IEEE传输。Inf.理论45 846-862. ·Zbl 0947.94005号 ·数字对象标识代码：10.1109/18.761328 [80] TOMIOKA，R.和铃木，T.（2013）。基于结构化Schatten范数正则化的凸张量分解。在神经信息处理系统研究进展1331-1339. [81] TOMIOKA，R.、SUZUKI，T.、HAYASHI，K.和KASHIMA，H.（2011）。凸张量分解的统计性能。在神经信息处理系统研究进展972-980. [82] TU，S.、BOCZAR，R.、SIMCHOWITZ，M.、SOLTANOLKOTABI，M.和RECHT，B.（2016）。通过procustes流获得线性矩阵方程的低阶解。在机器学习国际会议964-973. [83] WANG，M.、FISCHER，J.和SONG，Y.S.（2017）。使用约束张量分解对多组织多个体基因表达数据进行三向聚类。生物Rxiv229245. ·Zbl 1423.62152号 [84] Wang，M.和Li，L.（2020年）。从二元多路数据学习：概率张量分解及其统计优化。J.马赫。学习。物件。21第154号文件·Zbl 1525.68127号 [85] WANG，M.和ZENG，Y.（2019年）。通过张量块模型进行多路聚类。在神经信息处理系统研究进展713-723. [86] 韦德伯恩，R.W.M.（1974）。拟似然函数、广义线性模型和Gauss-Newton方法。生物特征61 439-447. ·Zbl 0292.62050号 ·doi:10.1093/biomet/61.3.439 [87] WEN，Z.、YIN，W.和ZHANG，Y.（2012）。用非线性逐次过松弛算法求解矩阵补全的低秩分解模型。数学。程序。计算。4 333-361. ·Zbl 1271.65083号 ·doi:10.1007/s12532-012-0044-1 [88] Willett，R.M.和Nowak，R.D.（2007年）。多尺度泊松强度和密度估计。IEEE传输。Inf.理论53 3171-3187. ·Zbl 1325.94036号 ·doi:10.1109/TIT.2007.903139 [89] WILMOTH，J.R.和SHKOLNIKOV，V.（2006）。人类死亡率数据库。可在http://www.motality.org。 [90] Xia，D.和Yuan，M.（2019）。精确低秩张量补全的多项式时间方法。已找到。计算。数学。19 1265-1313. ·Zbl 1436.15031号 ·doi:10.1007/s10208-018-09408-6 [91] Xia，D.，Yuan，M.和Zhang，C.-H.（2021）。统计上最优且计算效率高的低秩张量从噪声项中完成。安。统计师。49 76-99. ·Zbl 1473.62184号 ·doi:10.1214/20-AOS1942 [92] XU，Z.，HU，J.和WANG，M.（2019年）。多模态协变广义张量回归。ArXiv预印本。可从ArXiv:1910.09499获得。 [93] YANKOVICH，A.B.、ZHANG，C.、OH，A.、SLATER，T.J.、AZOUGH，F.、FREER，R.、HAIGH，S.J.、WILLETT，R.和VOYLES，P.M.（2016）。非刚性配准和非局部主成分分析，以改进电子显微镜光谱图像。纳米技术27 364001. [94] YOKOTA，T.、LEE，N.和CICHOCKI，A.（2017）。使用高阶奇异值分解和信息准则的鲁棒多线性张量秩估计。IEEE传输。信号处理。65 1196-1206. ·Zbl 1414.94715号 ·doi:10.1109/TSP.2016.2620965 [95] YONEL，B.和YAZICI，B.（2020年）。精确非凸相位反演的确定性理论。IEEE传输。信号处理。68 4612-4626. ·Zbl 07591058号 ·doi:10.1109/TSP.2020.3007967 [96] YU，M.、GUPTA，V.和KOLAR，M.（2020年）。同时恢复低秩和双向稀疏系数矩阵，一种非凸方法。电子。J.统计。14 413-457. ·Zbl 1434.90161号 ·doi:10.1214/19-EJS1658 [97] Yuan，M.和Zhang，C.-H.（2016）。基于核范数最小化的张量补全。已找到。计算。数学。16 1031-1068. ·Zbl 1378.90066号 ·doi:10.1007/s10208-015-9269-5 [98] Zhang，A.（2019）。交叉：有效的低秩张量补全。安。统计师。47 936-964·兹比尔1416.62298 ·doi:10.1214/18-AOS1694 [99] ZHANG，A.、CAI，T.T.和WU，Y.（2018）。异方差主成分分析：算法、优化和应用。ArXiv预印本。可从ArXiv:1810.08316获得。 [100] Zhang，A.和Han，R.（2019年）。高维高阶数据的最优稀疏奇异值分解。J.Amer。统计师。协会。114 1708-1725. ·Zbl 1428.62262号 ·doi:10.1080/01621459.2018.1527227 [101] Zhang，A.和Xia，D.（2018）。张量SVD：统计和计算极限。IEEE传输。Inf.理论64 7311-7338. ·Zbl 1432.62176号 ·doi:10.1109/TIT.2018.2841377 [102] 张亚荣、罗亚荣、拉斯库蒂、G.和袁明（2020）。ISLET：通过重要性草图快速优化低阶张量回归。SIAM J.数学。数据科学。2 444-479. ·Zbl 1484.65095号 ·doi:10.1137/19M126476X [103] ZHAO，T.，WANG，Z.和LIU，H.（2015）。低秩矩阵估计的非凸优化框架。在神经信息处理系统研究进展559-567. [104] 周华（2017）。Matlab TensorReg工具箱1.0版。可在https://hua-zhou.github.io/TensorReg/。 [105] Zhou，H.、Li，L.和Zhu，H.（2013）。张量回归及其在神经影像学数据分析中的应用。J.Amer。统计师。协会。108 540-552. ·Zbl 06195959号 ·doi:10.1080/01621459.2013.776499 [106] ZHU，Z.、LI，Q.、TANG，G.和WAKIN，M.B.（2017）。非对称矩阵分解和传感的全局优化几何。ArXiv预印本。可从ArXiv:1703.01256获得 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。