Cover It Up! Bipartite Graphs Uncover Identifiability in Sparse Factor Analysis
用二部图揭示稀疏因子分析的可识别性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：摘要讨论通用稀疏因子分析识别，未指明宏观时间序列或金融因子应用，故不据因子一词强行分类。
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…
用二部图揭示稀疏因子分析的可识别性
- 研究问题
- 稀疏载荷因子模型中，除常规旋转约束外，哪些非零载荷结构足以保证方差分解的泛型唯一性，又如何高效检查这些结构？
- 方法与思路
- 作者在稀疏矩阵空间中提出非零载荷计数规则，借助图论与网络理论形式化充分条件，并开发检查工具用于贝叶斯后验抽样后处理。
- 材料陈述的贡献
- 摘要称给出保证方差分解泛型唯一性的计数充分条件及计算高效的验证工具，并通过真实数据的贝叶斯稀疏因子分析展示方法。
- 阅读关注点
- 核对泛型唯一性涉及哪些参数、计数规则与二部图覆盖的关系，区分方差分解识别和旋转识别，并检查验证算法的复杂度。
- 阅读边界
- 这是预印本，同行评审及接收状态未核实。摘要未给出完整计数规则和分布条件，充分条件也不能直接理解为必要条件或逐点唯一性。
原文摘要
Despite the popularity of factor models with sparse loading matrices, little attention has been given to formally address identifiability of these models beyond standard rotation-based identification such as the positive lower triangular constraint. To fill this gap, we present a counting rule on the number of nonzero factor loadings that is sufficient for achieving generic uniqueness of the variance decomposition in the factor representation. This is formalized in the framework of sparse matrix spaces and some classical elements from graph and network theory. Furthermore, we provide a computationally efficient tool for verifying the counting rule. Our methodology is illustrated for real data in the context of post-processing posterior draws in Bayesian sparse factor analysis.