Exponential-Family Tensor Completion via Nonconvex Dual Total-Variation Regularization
基于非凸对偶全变差正则化的指数族张量补全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：摘要内容为张量补全的统计理论与正则化方法，属于高维统计与信号处理方向，与所提供的微观计量、宏观计量及金融计量领域细分均无直接文本依据，故不选择任何细分领域。
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…
基于非凸对偶全变差正则化的指数族张量补全
- 研究问题
- 摘要称研究部分观测下的张量补全问题，特别是指数族噪声（涵盖高斯、泊松等标准设定）下的张量补全，并关注全变差（TV）正则化在此类问题中理论研究的不足。
- 方法与思路
- 作者提出一族基于变换 L1 函数的对偶 TV（DTV）正则化子，用以同时刻画梯度张量中的稀疏与低秩结构，并建立所提估计量的恢复误差上界，进一步给出极小极大下界分析。
- 材料陈述的贡献
- 摘要称建立了 TV 正则化张量补全的理论上界，在特定情形下可达 O(n3 rt (max_k s_k^2) log((n1+n2)n3)/n) 的收敛阶，并通过极小极大下界说明上界与下界在对数因子内相差 O(max_k s_k^2/max(n1,n2)) 阶；合成、图像与视频数据实验支持理论结果。
- 阅读关注点
- 应核对指数族噪声的具体假设与链接函数设定、DTV 正则化子的确切定义与可解性、上界成立所需的条件（如张量维度、秩与稀疏度参数含义）、下界构造方式，以及实验设置是否与理论假设一致。
- 阅读边界
- 仅依据摘要，无法判断定理证明的严谨性、正则化子优化算法的收敛性与复杂度、实验对比的公平性；摘要未说明具体算法实现、参数选择与计算成本。该文为 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
With the emergence of various tensor data, tensor completion from partial measurements has attracted widespread attention in data science and signal processing. Total Variation (TV) has been widely used as an effective regularization technique for tensor completion; however, theoretical studies on TV regularization in this context remain limited. In this work, we present a rigorous theoretical analysis of TV regularization for tensor completion. Specifically, we consider tensor completion under exponential-family noise, which generalizes the standard settings such as Gaussian and Poisson tensor completion. To handle exponential-family tensor completion, we propose a family of dual-TV (DTV) regularizers based on the transformed L1 function, which simultaneously capture sparsity and low-rank structures in the gradient tensor. Moreover, we establish the theoretical upper bounds on the recovery error of the proposed estimator. In certain cases, these upper bounds can attain the convergence order of $\mathcal{O}\big( n_3 r_t\big(\max_{k} s_k^2\big) \log\big((n_1+n_2)n_3\big) /n \big)$, and the minimax lower bound analysis is further presented to show that the upper-bounds can approach the lower bound with the gap of order $\mathcal{O}(\max_k s_k^2/max(n_1, n_2))$ up to a logarithmic factor. Finally, multiple groups of experiments on synthetic, image and video tensor data sets are conducted to support our theoretical results and demonstrate the effectiveness of our method.