From Good Starts to Optimal Inference: Generalized Latent Factor Models with Missingness and Implicit Regularization
缺失数据下广义潜因子模型的初始化、隐式正则化与推断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：摘要研究通用非高斯潜因子模型，并应用于语言模型评估，未提供宏观因子或金融因子方向的直接依据。
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
缺失数据下广义潜因子模型的初始化、隐式正则化与推断
- 研究问题
- 高维非高斯数据存在大量缺失时，如何将可计算的非凸潜因子估计程序与逐行精度、个别及同时推断直接联系起来？
- 方法与思路
- 作者结合适配链接函数的双重SVD初始化、单侧改进与普通梯度下降，推导实际算法输出的统一逐行线性近似。
- 材料陈述的贡献
- 摘要称无需额外去偏即可进行因子及缺失均值推断，估计率接近受限类极小极大下界，并覆盖弱信号与严重缺失情形。
- 阅读关注点
- 应核对缺失机制、信号和曲率条件，初始化进入收缩区域的要求，以及线性展开、同时推断和下界各自覆盖的参数类别。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要未给缺失与弱信号的具体阈值，近最优性也只针对所述受限模型类。
原文摘要
Generalized latent factor models provide a flexible framework for analyzing high-dimensional non-Gaussian data, but principled estimation and uncertainty quantification under missingness remain substantially less developed. We develop a theory that connects a computationally tractable nonconvex procedure directly to statistical inference for nonlinear latent factor models with exponential-family links and partially observed entries. Our procedure combines a link-aware double-SVD initialization, a unilateral refinement that achieves rowwise consistency, and vanilla gradient descent. We show that the refined initializer enters a region of incoherence and contraction and that gradient descent remains in this region through implicit regularization, contracting rapidly down to the statistical estimation error without explicit incoherence or balancing regularization. Our central result is a uniform rowwise linear approximation for the actual output of gradient descent that isolates the leading score fluctuations from higher-order estimation and optimization errors. These expansions yield asymptotically valid individual and Gaussian multiplier-bootstrap simultaneous inference for latent factors, together with simultaneous confidence bands for missing-entry means, without requiring an additional debiasing step. The resulting estimation rate matches a restricted-class minimax lower bound up to logarithmic factors, while the theory accommodates severe missingness, weak low-rank signals, and diminishing local curvature. Simulations support the theoretical findings, and an application to large language model evaluation illustrates uncertainty-aware estimation and ranking of latent model capabilities.