Modewise Additive Factor Model for Matrix Time Series
矩阵时间序列的逐模态加性因子模型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：摘要直接研究矩阵时间序列中的潜在因子、载荷估计及序列依赖。
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
矩阵时间序列的逐模态加性因子模型
- 研究问题
- 如何分别提取矩阵时间序列中行与列方向的潜在变动，并在避免跨模态干扰的同时，对因子载荷进行估计和统计推断？
- 方法与思路
- 作者将观测分解为行因子、列因子和噪声，先用 MINE 初始化，再用 COMPAS 迭代，通过正交补投影处理跨模态干扰。
- 材料陈述的贡献
- 摘要称建立载荷估计的收敛率、渐近分布与协方差估计，并给出依赖矩阵序列二次型的 Bernstein 不等式。
- 阅读关注点
- 应核对加性分解的可识别性、载荷归一化、投影消除干扰的条件，以及维度与时间依赖对推断和计算的限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未列出具体正则条件和实验数值，不能据此确认对既有方法的普遍优势。
原文摘要
We introduce a Modewise Additive Factor Model (MAFM) for matrix-valued time series that captures row-specific and column-specific latent effects through an additive structure, offering greater flexibility than multiplicative frameworks such as Tucker and CP factor models. In MAFM, each observation decomposes into a row-factor component, a column-factor component, and noise, allowing distinct sources of variation along different modes to be modeled separately. We develop a computationally efficient two-stage estimation procedure: Modewise Inner-product Eigendecomposition (MINE) for initialization, followed by Complement-Projected Alternating Subspace Estimation (COMPAS) for iterative refinement. The key methodological innovation is that orthogonal complement projections completely eliminate cross-modal interference when estimating each loading space. We establish convergence rates for the estimated factor loading matrices under proper conditions. We further derive asymptotic distributions for the loading matrix estimators and develop consistent covariance estimators, yielding a data-driven inference framework that enables confidence interval construction and hypothesis testing. As a technical contribution of independent interest, we establish matrix Bernstein inequalities for quadratic forms of dependent matrix time series. Numerical experiments on synthetic and real data demonstrate the advantages of the proposed method over existing approaches.