denoiseR: A Package for Low Rank Matrix Estimation
denoiseR：低秩矩阵估计的 R 软件包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：摘要聚焦通用低秩矩阵估计软件，未将其明确用于宏观因子或金融因子模型。
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…
关注这篇论文的作者
denoiseR：低秩矩阵估计的 R 软件包
- 研究问题
- 如何将多种正则化低秩矩阵估计方法统一实现，自动选择正则化参数，并扩展到包含缺失值的数据？
- 方法与思路
- 作者介绍 denoiseR 软件包，以奇异值收缩和基于 bootstrap 的稳定性论证组织正则化方法，并用真实及模拟数据展示操作。
- 材料陈述的贡献
- 摘要称，软件包统一实现若干低秩估计方案，提供自动调参和缺失值扩展，并比较不同实现方法的长处与不足。
- 阅读关注点
- 应核对各收缩规则、自动调参依据、缺失值处理机制及其假设，并检查案例中评价不同方法的指标和比较设置。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明缺失机制、性能数值或软件当前状态，亦无法判断刊本变化。
原文摘要
We introduce denoiseR, an R package that provides a unified implementation of several state-of-the-art proposals for regularized low rank matrix estimation, along with automatic selection of the regularization parameters. We also extend these methods to allow for missing values. The regularization schemes discussed in this paper are built around singular-value shrinkage and bootstrap-based stability arguments. We illustrate how to use out package by applying it to several real and simulated datasets, and highlight strengths and weaknesses of the different implemented methods.