我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
本文讨论跟踪回归模型,其中n个未知项或项的线性组合米1×米2矩阵A类0观察到噪声的破坏。我们提出了一种新的核范数惩罚估计A类0并对任意值的这个估计建立了一个一般的sharp-oracle不等式n个,米1,米2在期望的等距条件下。然后将该方法应用于矩阵补全问题。在这种情况下,估计量承认一个简单的显式形式,并且我们证明它满足oracle不等式,比以前的工作具有更快的收敛速度。它们是有效的,特别是在高维环境中米1米2»n个.我们证明了所获得的速率在极大极小意义下是对数因子的最优速率,并且还导出了对于任何固定矩阵A类0,估计量收敛速度的非最小极大下界,它与常数因子的上界一致。最后,我们证明了我们的过程可以精确地恢复A类0概率接近1。我们还讨论了统计学习设置,其中没有由A类0,目的是找到最接近数据的跟踪回归模型。作为副产品,我们证明了在限制特征值条件下,通常的向量Lasso估计满足一个尖锐的预言不等式(即具有前导常数1的预言不等式)。
弗拉基米尔·科尔钦斯基。 卡里姆·卢尼奇。 亚历山大·齐巴科夫。 “Nuclear-norm惩罚和噪声低秩矩阵完成的最佳速率。” 安。统计师。 39 (5) 2302 - 2329, 2011年10月。 https://doi.org/10.1214/11-AOS894