Group-Aware Matrix Estimation and Latent Subspace Recovery
群体感知矩阵估计与潜在子空间恢复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：摘要聚焦矩阵补全与低秩子空间恢复的方法与理论，未涉及因果识别、面板、离散选择、时间序列、因子定价等所提供领域细分的直接文本依据。
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…
群体感知矩阵估计与潜在子空间恢复
- 研究问题
- 摘要称，研究如何在行同时属于多个重叠元类别（如人口与年龄组、区域与记录会话标签）的异质数据中做矩阵补全，避免单一全局低秩结构抹平子群特有变异。
- 方法与思路
- 作者提出 GAME，一种凸估计方法，对类别特定子矩阵施加重叠核范数惩罚，使相关群体共享信息，同时在同一坐标系中保留局部潜在结构，并给出重构误差与子群子空间恢复的有限样本保证。
- 材料陈述的贡献
- 摘要称贡献在于：面向重叠子群的逐组低秩矩阵估计的凸估计器；重构误差与子群特定子空间恢复的有限样本界，刻画其与采样密度、子群秩和重叠结构的关系；在合成、推荐、生态与神经科学数据上的实验。
- 阅读关注点
- 阅读全文时应核对：重叠核范数惩罚的具体构造与可识别性条件；有限样本界所依赖的假设与常数；子群划分与重叠结构如何由数据给定；实验中的缺失机制、基线设置与评价指标是否支持摘要结论。
- 阅读边界
- 仅凭摘要无法判断定理假设是否现实、惩罚参数如何选取、实验是否可复现，也不能据此确认相对基线的优势幅度；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Modern matrix completion problems often involve heterogeneous data whose rows simultaneously belong to many meta-categories, such as demographic and age groups in recommendation systems, or region and recording session labels in neural electrophysiological experiments. Standard low-rank estimators impose a single global latent geometry, which can recover average structure but may smooth away subgroup-specific variation, especially when observations are unevenly distributed across groups. We introduce Group-Aware Matrix Estimation (GAME), a convex estimator for overlapping subgroup-wise low-rank matrix estimation. GAME regularizes category-specific submatrices through overlapping nuclear-norm penalties, allowing related groups to borrow information while preserving local latent structure in a shared coordinate system. We provide finite-sample guarantees for both reconstruction error and subgroup-specific subspace recovery, showing how performance depends on sampling density, subgroup rank, and overlap structure. Experiments on synthetic, recommendation, ecological, and neuroscience datasets show that GAME is most beneficial in structured missingness regimes, where subgroup-aware regularization improves both reconstruction accuracy and latent subspace fidelity. Across these benchmarks, GAME is competitive or best among global low-rank, side-information, and modern imputation baselines, with the largest gains when subgroups exhibit distinct low-rank structure.