Bayesian Factorizations of Big Sparse Tensors
大型稀疏张量的贝叶斯分解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。
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：摘要研究通用张量分解与列联表，不能将其直接归为宏观或金融因子模型。
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…
大型稀疏张量的贝叶斯分解
- 研究问题
- 大型张量只有极少单元被观测时，如何弥补传统低秩分解的不足，使不同维度获得更合适的降维表示？
- 方法与思路
- 作者允许表格不同维度具有不同的有效秩，以列联表为主要应用，对分解项设置先验并采用 Gibbs 抽样计算后验。
- 材料陈述的贡献
- 摘要称给出了高维情形下的后验集中速率，并通过模拟和多个真实数据应用展示所提张量分解方法的表现。
- 阅读关注点
- 应核对有效秩随维度变化的具体表示、先验设定、稀疏观测机制，以及后验集中速率成立的条件。
- 阅读边界
- 摘要未说明观测机制、先验细节和理论条件，不能据此判断任意稀疏张量上的表现；索引版本未注明，不能推断刊本变化。
原文摘要
It has become routine to collect data that are structured as multiway arrays (tensors). There is an enormous literature on low rank and sparse matrix factorizations, but limited consideration of extensions to the tensor case in statistics. The most common low rank tensor factorization relies on parallel factor analysis (PARAFAC), which expresses a rank k tensor as a sum of rank one tensors. When observations are only available for a tiny subset of the cells of a big tensor, the low rank assumption is not sufficient and PARAFAC has poor performance. We induce an additional layer of dimension reduction by allowing the effective rank to vary across dimensions of the table. For concreteness, we focus on a contingency table application. Taking a Bayesian approach, we place priors on terms in the factorization and develop an efficient Gibbs sampler for posterior computation. Theory is provided showing posterior concentration rates in high-dimensional settings, and the methods are shown to have excellent performance in simulations and several real data applications.