×
埃德加·多布里班;威廉·里布;歌手，阿米特

线性变换尖峰模型中的最优预测。 （英语） Zbl 1441.62158号

Ann.统计。 48，第1期，491-513（2020年）.
作者考虑线性变换尖峰模型（Y_i=A_iX_i+epsilon_i\），（i=1，dots，n\）。这里，观测值（Y_i）是未观测到的感兴趣信号（X_i）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）降低为可能的观测相关维数（q_i\leqp，），因此（A_i\in\mathbb{R{R}^{q_i times p}）。未观测到的信号（或回归系数）是位于未知低维空间上的向量。
仅给出（Y_i）和（A_i），为了预测或恢复（X_i）值，作者通过在不同样本中“借用强度”来开发最佳方法。他们使用线性经验贝叶斯方法扩展到大数据集和弱矩假设。
该模型在信号处理、去卷积、冷冻电子显微镜和带噪声的缺失数据方面有着广泛的应用。对于缺失数据，作者在仿真中证明，与众所周知的矩阵补全方法相比，所提出的方法对噪声和不等采样更具鲁棒性。
审核人：帕维尔·斯托诺夫（索非亚）

引用于8文件

理学硕士：

62H25个 因子分析和主成分；对应分析
62H15型 多元分析中的假设检验
62M20型 随机过程推断和预测
62D10号 缺少数据
第62页，第35页 统计学在物理学中的应用

关键词：

主成分分析;随机矩阵理论;收缩;高维的;尖峰模型;缺少数据;矩阵完成

软件：

分光器;光收缩
PDF格式BibTeX公司 XML格式引用
\textit{E.Dobriban}等人，Ann.Stat.48，No.1，491--513（2020；Zbl 1441.62158）
全文： 内政部 arXiv公司 欧几里得

参考文献：

[1] Andén，J.、Katsevich，E.和Singer，A.（2015）。基于共轭梯度的协方差估计在低温电子显微镜三维分类中的应用。生物医学成像（ISBI），2015年IEEE第12届国际研讨会，200-204年。IEEE，纽约。
[2] 渴望（2017）。单粒子重建算法。可在http://spr.math.princeton.edu/。
[3] Bai，Z.和Ding，X.（2012）。尖峰模型中尖峰特征值的估计。随机矩阵理论应用。1 1150011, 21. ·Zbl 1251.15037号 ·doi:10.1142/S2010326311500110
[4] Bai，X.C.，McMullan，G.和Scheres，S.H.（2015）。低温电子显微镜是如何革新结构生物学的。生物化学趋势。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系列。纽约州施普林格·Zbl 1196.60002号
[6] Bai，Z.和Yao，J.（2012）。关于广义尖峰种群模型中的样本特征值。《多元分析杂志》。106 167-177. ·Zbl 1301.62049号 ·doi:10.1016/j.jmva.2011.10.009
[7] Baik，J.、Ben Arous，G.和Péché，S.（2005）。非零复样本协方差矩阵最大特征值的相变。Ann.遗嘱认证。33 1643-1697. ·Zbl 1086.15022号 ·doi:10.1214/00911790500000233
[8] Baik，J.和Silverstein，J.W.（2006）。尖峰种群模型大样本协方差矩阵的特征值。《多元分析杂志》。97 1382-1408·2011年12月15日 ·doi:10.1016/j.jmva.2005.08.003
[9] Benaych-Georges，F.和Nadakuditi，R.R.（2012）。大型矩形随机矩阵低秩扰动的奇异值和奇异向量。《多元分析杂志》。111 120-135. ·Zbl 1252.15039号 ·doi:10.1016/j.jmva.2012.04.019
[10] Bhamre，T.、Zhang，T.和Singer，A.（2016）。单粒子低温电子显微镜图像的去噪和协方差估计。J.结构。生物学195 72-81。
[11] Blackledge，J.M.（2006）。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）。关于平行分析的备注。多变量。行为。第27 509-540号决议。
[13] Callaway，E.（2015）。革命不会具体化。自然525 172。
[14] Campisi，P.和Egiazarian，K.编辑（2016）。盲图像反褶积：理论与应用。佛罗里达州博卡拉顿CRC出版社。
[15] Candès，E.J.和Plan，Y.（2010年）。带噪声的矩阵完成。程序。IEEE 98 925-936。
[16] Candès，E.J.和Recht，B.（2009年）。通过凸优化实现精确矩阵补全。已找到。计算。数学。9 717-772. ·Zbl 1219.90124号 ·doi:10.1007/s10208-009-9045-5
[17] Candès，E.J.和Tao，T.（2010年）。凸松弛的威力：近最优矩阵补全。IEEE传输。通知。理论56 2053-2080·Zbl 1366.15021号 ·doi:10.1109/TIT.2010.2044061
[18] Chen，Y.、Bhojanapalli，S.、Sanghavi，S.和Ward，R.（2015）。可证明地完成任何低秩矩阵。J.马赫。学习。第16号决议2999-3034·Zbl 1351.62107号
[19] Dobriban，E.（2015）。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. ·兹比尔1330.65029
[20] Dobriban，E.（2017）。因子分析和主成分分析的排列方法。预印。可从arXiv:1710.00479获得·Zbl 1486.62182号 ·doi:10.1214/16-AOS1514
[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。 ·Zbl 1441.62158号
[22] Dobriban，E.和Owen，A.B.（2019年）。确定性平行分析：一种改进的因子和主成分选择方法。J.R.统计社会服务。B.统计方法。81 163-183. ·Zbl 1407.62216号 ·doi:10.1111/rssb.12301
[23] Donoho，D.和Gavish，M.（2014）。奇异值阈值矩阵去噪的最小最大风险。Ann.Statist公司。42 2413-2440. ·2014年10月13日 ·doi:10.1214/14-AOS1257
[24] Donoho，D.、Gavish，M.和Johnstone，I.（2018年）。尖峰协方差模型中特征值的最优收缩。安。统计师。46 1742-1778. ·Zbl 1403.62099号 ·doi:10.1214/17-AOS1601
[25] Efron，B.（2012年）。大尺度推断：估计、测试和预测的经验贝叶斯方法。数理统计研究所（IMS）专著1。剑桥大学出版社，剑桥·Zbl 1256.62007年
[26] Gavish，M.和Donoho，D.L.（2017年）。奇异值的最佳收缩。IEEE传输。通知。理论63 2137-2152·Zbl 1366.94100号 ·doi:10.1109/TIT.2017.2653801
[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，马里兰州巴尔的摩。
[28] Hachem，W.、Hardy，A.和Najim，J.（2015）。关于大型复相关Wishart矩阵特征值局部行为的综述。2014年《摩登亚洲统计杂志》。ESAIM程序。调查51 150-174。EDP科学。，莱斯乌利斯·Zbl 1360.60018号 ·doi:10.1051/proc/201551009
[29] Jain，P.、Netrapali，P.和Sanghavi，S.（2013）。使用交替最小化完成低秩矩阵。STOC'13-2013年ACM计算理论研讨会论文集665-674。纽约ACM·Zbl 1293.65073号
[30] 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457-464。纽约ACM。
[31] Johnstone，I.M.（2001）。关于主成分分析中最大特征值的分布。安。统计师。29 295-327. ·Zbl 1016.62078号 ·doi:10.1214/aos/1009210544
[32] Johnstone，I.M.和Onatski，A.（2015）。在高维加标模型中进行测试。预印。可从arXiv:1509.07269获取·Zbl 1452.62192号
[33] Kam，Z.（1980）。根据随机定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.、Katsevic，A.和Singer，A.（2015）。低温电磁异质性问题的协方差矩阵估计。SIAM J.成像科学。8 126-185. ·Zbl 1362.92036号 ·数字对象标识代码：10.1137/130935434
[35] Keshavan，R.H.和Montanari，A.（2010年）。矩阵完成的规则化。1503-1507年信息理论国际研讨会论文集。IEEE，纽约·Zbl 1242.62069号
[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号 ·doi:10.1109/TIT.2010.2046205
[37] Keshavan，R.H.、Oh，S.和Montanari，A.（2009年）。从几个条目完成矩阵。2009年IEEE信息理论国际研讨会324-328。IEEE，纽约·Zbl 1366.62111号 ·doi:10.1109/TIT.2010.2046205
[38] Klopp，O.（2014）。具有一般采样分布的噪声低秩矩阵补全。伯努利20 282-303·Zbl 1400.62115号 ·文件编号：10.3150/12-BEJ486
[39] Koltchinskii，V.、Lounici，K.和Tsybakov，A.B.（2011年）。噪声低秩矩阵补全的核形式惩罚和最优速率。安。统计师。39 2302-2329. ·Zbl 1231.62097号 ·doi:10.1214/11-AOS894
[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组件数量。化学。智力。实验室系统。94 19-32.
[41] Mallat，S.（2008）。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] Marchenko，V.A.和Pastur，L.A.（1967年）。特征值在某些随机矩阵集合中的分布。材料编号114 507-536·Zbl 0152.16101号
[43] Nadakuditi，R.R.（2014）。OptShrink：一种通过数据驱动的最优奇异值收缩来改进低阶信号矩阵去噪的算法。IEEE传输。通知。理论60 3002-3018·Zbl 1360.62399号 ·doi:10.1109/TIT.2014.2311661
[44] Nadakuditi，R.R.和Edelman，A.（2008）。白噪声中基于样本特征值的高维信号检测，使用相对较少的样本。IEEE传输。信号处理。56 2625-2638. ·Zbl 1390.94567号 ·doi:10.1109/TSP.2008.917356
[45] Nadler，B.（2008）。主成分分析的有限样本近似结果：矩阵摄动方法。安。统计师。36 2791-2817. ·Zbl 1168.62058号 ·doi:10.1214/08-AOS618
[46] Negahban，S.和Wainwright，M.J.（2011年）。带有噪声和高维缩放的（近）低秩矩阵的估计。安。统计师。39 1069-1097. ·Zbl 1216.62090号 ·doi:10.1214/10-AOS850
[47] Onatski，A.（2012年）。具有弱影响因子的大因子模型主成分估计的渐近性。《计量经济学杂志》168 244-258·Zbl 1443.62497号 ·doi:10.1016/j.jeconom.2012.01.034
[48] Onatski，A.、Moreira，M.J.和Hallin，M.（2013）。高维数据球度检验的渐近幂。安。统计师。41 1204-1231. ·Zbl 1293.62125号 ·doi:10.1214/13-AOS1100
[49] Onatski，A.、Moreira，M.J.和Hallin，M.（2014）。高维信号检测：多尖点情况。安。统计师。42 225-254. ·Zbl 1296.62123号 ·doi:10.1214/13-AOS1181
[50] Passmier，D.和Yao，J.-F.（2012年）。关于确定高维尖峰种群模型中的尖峰数。随机矩阵理论应用。1 1150002, 19. ·兹比尔1244.62028 ·doi:10.1142/S20103263115002X
[51] Paul，D.（2007年）。大维尖峰协方差模型样本特征结构的渐近性。统计师。Sinica 17 1617-1642年·Zbl 1134.62029号
[52] Paul，D.和Aue，A.（2014）。统计学中的随机矩阵理论：综述。J.统计。计划。推论150 1-29·兹比尔1287.62011 ·doi:10.1016/j.jspi.2013.09.005
[53] Recht，B.（2011年）。矩阵补全的简单方法。J.马赫。学习。第12号决议3413-3430·Zbl 1280.68141号
[54] Rohde，A.和Tsybakov，A.B.（2011年）。高维低秩矩阵的估计。安。统计师。39 887-930. ·Zbl 1215.62056号 ·doi:10.1214/10操作系统860
[55] Searle，S.R.、Casella，G.和McCulloch，C.E.（2009年）。差异组件。概率统计中的威利级数391。Wiley Interscience，新泽西州霍博肯·Zbl 1108.62064号
[56] 歌手，A.和吴，H.-T.（2013）。从未知随机方向的噪声投影进行二维层析成像。SIAM J.成像科学。6 136-175. ·Zbl 1279.68339号 ·数字对象标识代码：10.1137/090764657
[57] Srebro，N.和Salakhutdinov，R.R.（2010）。非统一世界中的协作过滤：使用加权跟踪范数进行学习。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。普林斯顿大学分析讲座1。普林斯顿大学出版社，新泽西州普林斯顿·Zbl 1235.46001号
[59] Yao，J.、Zheng，S.和Bai，Z.（2015）。大样本协方差矩阵与高维数据分析。剑桥统计与概率数学系列39。剑桥大学出版社，纽约。
[60] Zhao，Shkolnisky，Y.和Singer，A.（2016）。快速可控主成分分析。IEEE传输。计算。图像。2 1-12.
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。