Prior-Informed Generalizable Low-Rank Representation Learning via Regularized Adversarial Reweighting
基于正则化对抗重加权的前验知情可泛化低秩表示学习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：摘要聚焦低秩表示学习、分布鲁棒优化与非凸优化算法及误差界，属于机器学习与优化理论，未涉及所给计量经济学领域细分。
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
基于正则化对抗重加权的前验知情可泛化低秩表示学习
- 研究问题
- 摘要称，研究如何在异构来源数据与分布偏移下，把群组分布鲁棒优化（group-DRO）原则推广到低秩矩阵估计，并处理由此产生的非凸-凹优化问题。
- 方法与思路
- 作者提出 PILLAR：将对抗性来源权重向用户指定的参考分布正则化，以平滑 group-DRO 目标，同时学习共享低秩表示；用 Burer-Monteiro 分解，以双因子梯度下降加镜像上升求解。
- 材料陈述的贡献
- 摘要称建立了到总体鞍点统计邻域的线性收敛，并给出将低秩估计与对抗重加权分离的误差界；还说明当原版 group-DRO 的过度保守性主导来源异质性与先验误设时，PILLAR 优于原版。
- 阅读关注点
- 应核对正则化强度与参考分布如何选取、线性收敛与误差界所需假设、非凸-凹问题的初始化条件，以及仿真与电子健康记录自杀未遂风险研究中“最差来源”和迁移预测精度的具体定义。
- 阅读边界
- 仅凭摘要无法判断定理假设是否现实、正则化参数如何调、实证数据与基线细节，也不能据此认定已通过同行评审或期刊接收；该文为 arXiv 预印本，结论属作者自述。
原文摘要
Modern learning problems increasingly leverage data from heterogeneous sources to improve robustness and generalizability under distribution shift, often with high-dimensional parameters admitting low-rank structure. Existing group distributionally robust optimization (group-DRO) approaches optimize against adverse source mixtures, but extending this principle to low-rank matrix estimation with a broad class of losses leads to a challenging nonconvex-concave problem for which methods and theory remain limited. We propose Prior-Informed generalizable Low-rank representation Learning via Adversarial Reweighting (PILLAR), which smooths the group-DRO objective by regularizing adversarial source weights toward a user-specified reference distribution while learning a shared low-rank representation. By tempering extreme adversarial reweighting, PILLAR improves estimation stability and reduces the potential conservativeness of group-DRO. Using Burer-Monteiro factorization, we optimize the nonconvex-concave objective by bifactored gradient descent with mirror ascent. We establish linear convergence to a statistical neighborhood of the population saddle point and derive an error bound that separates low-rank estimation from adversarial reweighting. We further show that PILLAR improves on vanilla group DRO when the latter's excess conservativeness dominates source heterogeneity and prior misspecification. Simulations and an electronic health record study of suicide-attempt risk demonstrate improved worst-source and transported predictive accuracy.