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）。