索法

大型社团网络学习。许多现代大数据应用的特点是响应数量和预测值都很大。通过按重要性排序的稀疏潜在因子层来理解大规模响应预测关联网络结构,可以提高统计效率和科学洞察力。然而,正交性和稀疏性在很大程度上是不相容的。为了适应这两个特点,本文提出了基于正交约束优化的稀疏奇异值分解的稀疏正交因子回归(SOFAR)方法来学习底层的关联网络,在无监督和有监督的学习任务中都有广泛的应用,稀疏因子分析、稀疏因子分析、稀疏因子自回归分析等。利用凸性辅助非凸优化的框架,我们得到了描述理论优势的所建议程序的非渐近误差界。统计保证由具有收敛性的有效SOFAR算法提供。通过仿真和实际数据实例,证明了该方法的计算和理论优势。