×

线性变换尖峰模型的最优预测。 (英语) Zbl 1441.62158

作者考虑线性变换的尖峰模型(Y_i=A_iX_i+\ epsilon_i\),\(i=1,dots,n\)。在这里,观测值是未观测到的感兴趣信号的噪声线性变换。
观察到的变换矩阵(A_i\)将信号的维数(X_i\ in\mathbb{R}^p\)降低到可能与观测有关的维数(q_i\leq p,\)因此\(A_i\ in\mathbb{R}^{qu i\乘以p}\)。未观测信号(或回归系数)是位于未知低维空间上的向量。
仅在给定(Y_i\)和\(A_i\)的情况下,为了预测或恢复(X_i\)值,作者通过在不同样本间“借用强度”来开发优化方法。他们使用线性经验Bayes方法对大数据集和弱矩假设进行缩放。
该模型在信号处理、反褶积、低温电子显微镜、噪声缺失数据等方面有着广泛的应用。对于缺失数据,作者在仿真中证明了所提出的方法对噪声和非均匀采样的鲁棒性优于已知的矩阵补全方法。

理学硕士:

62小时25分 因子分析和主成分分析;对应分析
62小时15分 多元分析中的假设检验
62平方米 随机过程推理与预测
62D10型 缺少数据
62页35页 统计学在物理学中的应用
PDF格式 BibTeX公司 XML 引用

参考文献:

[1] Andén,J.,Katsevich,E.和Singer,A.(2015年)。cryo-EM三维分类的共轭梯度协方差估计。生物医学成像(ISBI),2015年IEEE第12届国际研讨会200-204。IEEE,纽约。
[2] ASPIRE(2017年)。单粒子重建算法。可在http://spr.math.princeton.edu/。
[3] Bai,Z.和Ding,X.(2012年)。尖峰模型中尖峰特征值的估计。随机矩阵理论应用。1150011,21·Zbl 1251.15037号
[4] 白,X.-C。,McMullan,G.和Scheres,S.H.(2015年)。低温电磁是如何革命性的结构生物学。趋势生物化学。科学。40 49-57。
[5] Bai,Z.和Silverstein,J.W.(2009年)。大维随机矩阵的谱分析。统计学中的斯普林格级数。斯普林格,纽约·Zbl 1196.60002
[6] Bai,Z.和Yao,J.(2012年)。关于广义尖峰种群模型的样本特征值。J、 多变量肛门。106 167-177·Zbl 1301.62049
[7] Baik,J.,Ben Arous,G.和PéchéS.(2005年)。非零复样本协方差矩阵最大特征值的相变。安。普罗布。33 1643-1697年·Zbl 1086.15022号
[8] Baik,J.和Silverstein,J.W.(2006年)。尖峰种群模型大样本协方差矩阵的特征值。J、 多变量肛门。97 1382-1408年·Zbl 1220.15011号
[9] Benaych Georges,F.和Nadakuditi,R.R.(2012年)。大矩形随机矩阵低阶扰动的奇异值和向量。J、 多变量肛门。111 120-135·Zbl 1252.15039号
[10] Bhamre,T.,Zhang,T.和Singer,A.(2016年)。单粒子冷冻电镜图像的去噪和协方差估计。J、 结构。生命195 72-81。
[11] Blackledge,J.M.(2006年)。数字信号处理:数学和计算方法,软件开发和应用。阿姆斯特丹爱思唯尔·Zbl 1059.94001号
[12] Buja,A.和Eyuboglu,N.(1992年)。关于平行分析的评论。多变量。行为。第27 509-540号决议。
[13] Callaway,E.(2015年)。革命不会具体化。自然525 172。
[14] Campisi,P.和Egiazarian,K.,eds.(2016年)。盲图像反褶积:理论与应用。CRC出版社,博卡拉顿,佛罗里达州。
[15] Candès,E.J.和Plan,Y.(2010年)。有噪声的矩阵完成。程序。IEEE 98 925-936。
[16] Candès,E.J.和Recht,B.(2009年)。通过凸优化精确完成矩阵。找到了。计算机。数学。9717-772·Zbl 1219.90124
[17] Candès,E.J.和Tao,T.(2010年)。凸松弛的力量:近似最优矩阵完成。IEEE传输。通知。理论56 2053-2080·Zbl 1366.15021
[18] Chen,Y.,Bhojanapalli,S.,Sanghavi,S.和Ward,R.(2015年)。完成任何低秩矩阵,可证明。J、 马赫。学习。第16 2999-3034号决议·Zbl 1351.62107
[19] Dobriban,E.(2015年)。样本协方差矩阵极限谱的有效计算。随机矩阵理论应用。4 1550019,36·Zbl 1330.65029
[20] Dobriban,E.(2017年)。因子分析和主成分分析的排列方法。预印本。可从arXiv:1710.00479获取·Zbl 1486.62182号
[21] Dobriban,E.,Leeb,W.和Singer,A.(2019年)。对“线性变换尖峰模型中的最优预测”的补充https://doi.org/10.1214/19-AOS1819SUPP。
[22] Dobriban,E.和Owen,A.B.(2019年)。确定性并行分析:一种选择因子和主成分的改进方法。J、 R.Stat.Soc.服务。B、 统计方法。81163-183·Zbl 1407.62216号
[23] Donoho,D.和Gavish,M.(2014年)。矩阵奇异值阈值去噪的极大极小风险。安。统计员。422413-2440·Zbl 1310.62014
[24] Donoho,D.,Gavish,M.和Johnstone,I.(2018年)。尖峰协方差模型特征值的最优收缩。安。统计员。1742-1778年·Zbl 1403.62099
[25] Efron,B.(2012年)。大规模推理:用于估计、测试和预测的经验贝叶斯方法。数理统计研究所专著1。剑桥大学出版社,剑桥·Zbl 1256.62007
[26] Gavish,M.和Donoho,D.L.(2017年)。奇异值的最优收缩率。IEEE传输。通知。理论63 2137-2152·Zbl 1366.94100
[27] Golub,G.H.和Van Loan,C.F.(2012年)。矩阵计算,第3卷。约翰霍普金斯数学科学研究。约翰霍普金斯大学出版社,巴尔的摩,马里兰州。
[28] Hachem,W.,Hardy,A.和Najim,J.(2015年)。大型复相关Wishart矩阵特征值局部行为研究综述。《2014年马斯现代化与统计杂志》,ESAIM程序。调查51 150-174.EDP Sci。,勒乌利斯·Zbl 1360.60018号
[29] Jain,P.,Netrapalli,P.和Sanghavi,S.(2013年)。使用交替极小化的低秩矩阵完备化。在STOC的13-2013年ACM计算理论研讨会论文集665-674,ACM,纽约·Zbl 1293.65073
[30] Ji,S.和Ye,J.(2009年)。迹范数极小化的加速梯度法。《第26届机器学习国际年会论文集》,457-464,ACM,纽约。
[31] 约翰斯顿,I.M.(2001)。关于主成分分析中最大特征值的分布。安。统计员。29 295-327·Zbl 1016.62078
[32] Johnstone,I.M.和Onatski,A.(2015年)。在高维尖峰模型中进行测试。预印本。可从arXiv:1509.07269获取。
[33] Kam,Z.(1980年)。从随机取向粒子的电子显微照片重建结构。J、 理论。生物82 15-39。
[34] Katsevich,E.,Katsevich,A.和Singer,A.(2015年)。低温电磁不均匀性问题的协方差矩阵估计。暹罗J.影像科学。8126-185·Zbl 1362.92036
[35] Keshavan,R.H.和Montanari,A.(2010年)。矩阵完备的正则化。国际信息理论研讨会论文集1503-1507,IEEE,纽约·Zbl 1242.62069
[36] Keshavan,R.H.,Montanari,A.和Oh,S.(2010年)。从几个条目完成矩阵。IEEE传输。通知。理论56 2980-2998·Zbl 1366.62111
[37] Keshavan,R.H.,Oh,S.和Montanari,A.(2009年)。从几个条目完成矩阵。在2009年IEEE信息理论国际研讨会324-328。IEEE,纽约·Zbl 1366.62111
[38] 克洛普,O.(2014年)。具有一般抽样分布的噪声低秩矩阵完备化。伯努利20 282-303·Zbl 1400.62115
[39] Koltchinskii,V.,Lounici,K.和Tsybakov,A.B.(2011年)。噪声低秩矩阵完备化的核范数惩罚与最优速率。安。统计员。392302-2329·Zbl 1231.62097
[40] Kritchman,S.和Nadler,B.(2008年)。从有限的噪声数据中确定因子模型中的成分数量。化疗。因特尔。实验室系统。94 19-32。
[41] Mallat,S.(2008年)。信号处理的小波之旅:稀疏方法,加布里埃尔·佩雷的贡献。爱思唯尔/学术出版社,阿姆斯特丹。
[42] 马尔琴科,V.A.和帕斯托尔,洛杉矶(1967年)。某些随机矩阵的特征值分布。材料Sb.114 507-536·中银0152.16101
[43] Nadakuditi,R.R.(2014年)。OptShrink:一种改进的低秩信号矩阵去噪算法,通过优化的,数据驱动的奇异值收缩。IEEE传输。通知。理论60 3002-3018·Zbl 1360.62399
[44] Nadakuditi,R.R.和Edelman,A.(2008年)。基于样本特征值的白噪声高维信号检测。IEEE传输。信号处理。562625-2638·Zbl 1390.94567
[45] 纳德勒,B.(2008年)。主成分分析的有限样本近似结果:矩阵摄动法。安。统计员。36 2791-2817·Zbl 1168.62058
[46] Negahban,S.和Wainwright,M.J.(2011年)。含噪声高维标度(近)低秩矩阵的估计。安。统计员。391069-1097·Zbl 1216.62090
[47] Onatski,A.(2012年)。弱影响因子大因子模型主成分估计的渐近性。J、 计量经济学168 244-258·Zbl 1443.62497
[48] Onatski,A.,Moreira,M.J.和Hallin,M.(2013年)。高维数据球度检验的渐近幂。安。统计员。411204-1231·兹布1293.62125
[49] Onatski,A.,Moreira,M.J.和Hallin,M.(2014年)。高维信号检测:多点情况。安。统计员。42225-254·Zbl 1296.62123
[50] 帕塞米尔,D.和姚,J.-F。(2012年)。高维尖峰种群模型中尖峰数的确定。随机矩阵理论应用。1150002,19·Zbl 1244.62028
[51] Paul,D.(2007年)。大维尖峰协方差模型样本特征结构的渐近性。统计学家。中国17世纪1617-1642年·Zbl 1134.62029
[52] Paul,D.和Aue,A.(2014年)。统计学中的随机矩阵理论:综述。J、 统计学家。普兰。推论150 1-29·Zbl 1287.62011
[53] Recht,B.(2011年)。矩阵完成的一种简单方法。J、 马赫。学习。第12 3413-3430号决议·Zbl 1280.68141
[54] Rohde,A.和Tsybakov,A.B.(2011年)。高维低秩矩阵的估计。安。统计员。39887-930·Zbl 1215.62056
[55] Searle,S.R.,Casella,G.和McCulloch,C.E.(2009年)。方差分量。威利概率统计系列391。威利国际科学,霍博肯,新泽西州·Zbl 1108.62064
[56] 辛格,A。和吴,H.-T。(2013年)。从未知随机方向拍摄的噪声投影的二维层析成像。暹罗J.影像科学。6 136-175·Zbl 1279.68339
[57] Srebro,N.和Salakhutdinov,R.R.(2010年)。非均匀世界中的协同过滤:加权迹范数学习。神经信息处理系统进展2056-2064。
[58] Stein,E.M.和Shakarchi,R.(2011年)。傅立叶分析:导论。普林斯顿分析讲座1。普林斯顿大学出版社,普林斯顿,新泽西州·Zbl 1235.46001号
[59] Yao,J.,Zheng,S.和Bai,Z.(2015年)。大样本协方差矩阵和高维数据分析。剑桥统计与概率数学丛书39。剑桥大学出版社,纽约。
[60] Zhao,Z.,Shkolnisky,Y.和Singer,A.(2016年)。快速可控主成分分析。IEEE传输。计算机。图像。21-12年。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。