Overfitted high-dimensional matrix factorizations via adaptive spectral shrinkage
通过自适应谱收缩实现过拟合高维矩阵分解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：摘要研究通用高维矩阵分解与协方差估计，应用为基因组数据，没有宏观或金融因子模型的直接证据，故不作细分。
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
通过自适应谱收缩实现过拟合高维矩阵分解
- 研究问题
- 在近似因子模型和低信噪比下，如何自动压缩多余潜在维度，并降低贝叶斯过拟合因子模型进行不确定性量化的计算成本？
- 方法与思路
- 作者提出 EigenBayes，结合潜在因子的谱估计和超参数自适应经验贝叶斯校准，得到按结果分解且可解析处理的后验。
- 材料陈述的贡献
- 摘要称，该法适应不同结果和潜在维度的信噪比，收缩多余成分并具备良好渐近性质；实验与基因组应用展示较强表现。
- 阅读关注点
- 核对近似因子结构与渐近条件、谱估计误差如何进入后验、有效不确定性量化的含义，以及计算和实证比较的基准设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出渐近条件、覆盖表现与加速幅度，不能外推普遍优越性。
原文摘要
Factor models are popular approaches for analyzing high-dimensional data to extract low-rank signals and estimate covariances. They decompose the covariance matrix as the sum of low-rank and diagonal components. A key issue is how to choose the latent dimension $k$, which is particularly challenging when the factor model only holds approximately and in low signal-to-noise scenarios. Bayesian overfitted factor models specify an upper bound on $k$ and rely on structured shrinkage priors to effectively remove extra components. Such approaches are popular and effective, but computationally expensive. We propose a much faster \texttt{EigenBayes} approach that provides valid uncertainty quantification, based on spectral estimation of latent factors and adaptive empirical Bayes calibration of key hyperparameters. The resulting posterior distribution factorizes across outcomes and is analytically tractable, bypassing Markov chain Monte Carlo. We show that \texttt{EigenBayes} adapts to the signal-to-noise ratio of each outcome and latent dimension, while shrinking superfluous latent components to zero. We establish favorable asymptotic properties and demonstrate strong empirical performance in numerical experiments and a genomics application, where EigenBayes outperforms state-of-the-art alternatives.