Incomplete Matrix Regression
不完整矩阵回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主题为矩阵补全与惩罚回归的方法论，未涉及因果推断、面板、离散选择、时间序列、资产定价等所列细分领域的直接文本依据，故不选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
不完整矩阵回归
- 研究问题
- 摘要称，研究如何在观测矩阵仅含稀疏且带噪的部分条目、同时行与列带有辅助协变量并存在跨行列依赖时，恢复低秩矩阵并利用这些协变量信息。
- 方法与思路
- 作者提出不完整矩阵回归（IMR），一个无分布假设的惩罚回归框架：目标矩阵建模为截距、受 Lasso 惩罚的协变量效应与低秩潜在成分之和，已知相似结构以岭型惩罚加入潜在因子；估计采用可扩展的交替最小二乘算法。
- 材料陈述的贡献
- 摘要称贡献包括：将协变量与已知相似结构整合进矩阵补全的惩罚回归框架；给出模块化、可增删模型成分而无需重推更新的交替最小二乘算法；建立 Lasso 与矩阵补全估计量的非渐近误差界，并称其与各自文献的标准速率一致。
- 阅读关注点
- 应核对：非渐近误差界所需的具体识别与正则条件、速率中的维度和稀疏度依赖；交替最小二乘的收敛性与初始化；岭型惩罚核的构造与调参；模拟与两个真实数据应用中的对比方法、评价指标与计算成本口径；R 包 IMR 的实现细节。
- 阅读边界
- 仅凭摘要无法判断误差界条件是否现实、算法是否全局收敛、实证对比是否公平，也无法核实“计算成本仅为复杂方法一小部分”的具体数值；摘要未说明协变量内生性、缺失机制假设与理论证明细节。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Matrix completion seeks to recover a low-rank matrix from a sparse and noisy subset of its entries. In many applications, such as recommendation systems and urban mobility, the observed matrix is accompanied by auxiliary covariates on its rows and columns and exhibits dependence across them. We propose Incomplete Matrix Regression (IMR), a distribution-free penalized regression framework that integrates such information into matrix completion. The target matrix is modeled as the sum of intercepts, covariate effects regularized by a Lasso penalty, and a low-rank latent component that captures structure unexplained by the covariates. Known similarity structures, such as spatial and temporal kernels, are incorporated through ridge-type penalties on the latent factors. For estimation, we provide a scalable alternating least-squares algorithm whose modular form allows us to include or exclude individual model components without rederiving the updates. We establish non-asymptotic error bounds for both the Lasso and matrix completion estimators that are consistent with standard rates in their respective literature. Through simulation studies and two real-data applications, we demonstrate that the proposed method attains predictive accuracy competitive with more complex methods at a small fraction of their computational cost. The methodology is implemented in the R package IMR.