×
石磊;邹昌良

一般基下的噪声低秩矩阵补全。 （英语） Zbl 07851189号

斯达 9，第1号，论文编号e303，第13页（2020年）.
摘要：本文考虑一般基下的低秩矩阵完备问题，其目的是通过预先指定基的线性组合来恢复结构化矩阵。现有工作主要集中于正交基；然而，在一些实际应用中，常常需要采用非正交基。因此，在这种情况下，非常需要解决一些流行估计的可行性。我们提出了几个合理且广泛适用的假设，作为特例，这些假设涵盖了成熟的正交系统。在这些假设下，证明了核范数正则化的最小二乘估计能够以较高的概率成功恢复。建立了Frobenius范数下精确和近似低秩矩阵的误差界。通过模拟进一步证实了理论发现。
{©2020 John Wiley&Sons有限公司}

MSC公司：

62至XX 统计

关键词：

错误界限;高维数据;最小二乘估计量;核规范惩罚
PDF格式BibTeX公司 XML格式引用
\textit{L.Shi}和\textit{C.Zou}，Stat 9，No.1，论文编号e303，13 p.（2020；Zbl 07851189）
全文： 内政部

参考文献：

[1] Agarwal，A.、Negahban，S.和Wainwright，M.J.（2010年）。用于高维统计恢复的梯度方法的快速全局收敛速度。《神经信息处理系统进展》（第23卷，第37-45页）。纽约州纽约市：Curran Associates Inc。
[2] Birnbaum，A.、Johnstone，I.M.、Nadler，B.和Paul，D.（2013）。含噪声高维数据的稀疏pca的最小最大界。《统计年鉴》，41（3），1055·Zbl 1292.62071号
[3] Candès，E.J.和Plan，Y.（2010年）。带噪声的矩阵完成。IEEE会议录，98（6），925-936。
[4] Candès，E.J.和Recht，B.（2009年）。通过凸优化实现精确矩阵补全。计算数学基础，9（6），717·Zbl 1219.90124号
[5] Candès，E.J.和Tao，T.（2010年）。凸松弛的威力：近最优矩阵完成。IEEE信息理论汇刊，56（5），2053-2080·Zbl 1366.15021号
[6] Chu，M.T.（1998）。逆特征值问题。SIAM评论，40（1），1-39·Zbl 0915.15008号
[7] Donoho，D.L.（2006）。压缩传感。IEEE信息理论汇刊，52（4），1289-1306·Zbl 1288.94016号
[8] Donoho，D.L.和Elad，M.（2003）。一般（非正交）字典中的最优稀疏表示（通过▽1最小化）。《美国国家科学院院刊》，100（5），2197-2202·Zbl 1064.94011号
[9] Flammia，S.T.、Gross，D.、Liu，Y.‐K.和Eisert，J.（2012）。通过压缩传感的量子层析成像：误差界、样本复杂性和有效估计。《新物理学杂志》，14（9），95022·Zbl 1448.81075号
[10] Gross，D.（2011年）。在任何基础上从少量系数中恢复低秩矩阵。IEEE信息理论汇刊，57（3），1548-1566·Zbl 1366.94103号
[11] Gross，D.，&Nesme，V.（2010年）。关于不替换有限矩阵集合的采样的注释。arXiv预打印arXiv:1001.2738。
[12] Horn，R.A.和Johnson，C.R.（2012）。矩阵分析，美国纽约：剑桥大学出版社。
[13] Ji，S.和Ye，J.（2009）。迹范数最小化的加速梯度法。《第26届国际机器学习年会论文集》，美国纽约州纽约市：计算机协会，第457-464页。
[14] Keshavan，R.H.、Montanari，A.和Oh，S.（2010年）。从嘈杂的条目中完成矩阵。机器学习研究杂志，11（7月），2057-2078·Zbl 1242.62069号
[15] Klopp，O.（2014）。具有一般采样分布的低秩矩阵完成噪声。伯努利，20（1），282-303·Zbl 1400.62115号
[16] Klopp，O.（2011）。高维矩阵的秩惩罚估计量。电子统计杂志，5，1161-1183·Zbl 1274.62489号
[17] Koltchinskii，V.、Lounici，K.和Tsybakov，A.B.（2011年）。核规范惩罚和噪声低秩矩阵补全的最优速率。《统计年鉴》，39（5），2302-2329·Zbl 1231.62097号
[18] Kshirsagar，M.、Murugesan，K.、Carbonell，J.G.和Klein‐Seetharaman，J.（2017）。多任务矩阵完成，用于学习跨疾病的蛋白质相互作用。计算生物学杂志，24（6），501-514。
[19] Lin，Z.、Chen，M.和Ma，Y.（2010）。精确恢复受损低秩矩阵的增广拉格朗日乘子法。arXiv预打印arXiv:1009.5055。
[20] Negahban，S.和Wainwright，M.J.（2012年）。限制强凸性和加权矩阵完备：带噪声的最优界。《机器学习研究杂志》，第13期，1665-1697页·Zbl 1436.62204号
[21] Recht，B.（2011年）。矩阵完成的一种更简单的方法。机器学习研究杂志，12，3413-3430·Zbl 1280.68141号
[22] Recht，B.、Fazel，M.和Parrilo，P.A.（2010年）。通过核范数最小化保证线性矩阵方程的最小秩解。SIAM评论，52（3），471-501·Zbl 1198.90321号
[23] Rennie，J.D.M.和Srebro，N.（2005年）。用于协同预测的快速最大边际矩阵分解。《第22届国际机器学习会议论文集》，美国纽约州纽约市：计算机协会，第713-719页。
[24] Rohde，A.和Tsybakov，A.B.（2011年）。高维低秩矩阵的估计。《统计年鉴》，39（2），887-930·Zbl 1215.62056号
[25] Srebro，N.（2004年）。学习矩阵分解。
[26] Tasisa，A.和Lai，R.（2018a）。使用低秩矩阵补全精确重建欧氏距离几何问题。IEEE信息理论汇刊，65（5），3124-3144·Zbl 1432.90117号
[27] Tasisa，A.和Lai，R.（2018b）。在一般非正交基础上完成低秩矩阵。arXiv预打印arXiv:1812.05786。
[28] Toh、K.‐C.和Yun，S.（2010）。核范数正则化线性最小二乘问题的加速近似梯度算法。太平洋优化杂志，6（615‐640），15·Zbl 1205.90218号
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。