Robust reduced rank regression under heavy-tailed noise and missing data via non-convex penalization
重尾噪声与缺失数据下的稳健降秩回归：非凸惩罚方法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：摘要聚焦降秩回归的稳健估计与缺失数据处理，属高维统计与稳健回归方法，未涉及所给微观、宏观或金融领域细分的具体问题，故不选择任何细分方向。
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
重尾噪声与缺失数据下的稳健降秩回归：非凸惩罚方法
- 研究问题
- 摘要称，经典降秩回归依赖平方损失与高斯噪声假设，对重尾误差、离群值和数据污染敏感，且缺失数据会进一步妨碍可靠的低秩估计；本文研究如何同时应对重尾噪声、离群值与响应矩阵缺失的降秩回归问题。
- 方法与思路
- 作者提出将稳健 Huber 损失与非凸谱正则化（MCP 与 SCAD）结合，无需插补即可处理响应矩阵中的缺失数据，并基于交替更新与定制谱阈值构造近端梯度算法；摘要称方法在 R 包 rrpackrobust 中实现。
- 材料陈述的贡献
- 摘要称，相比凸核范数正则化，所提非凸惩罚可减轻过度收缩、更准确恢复潜在低秩结构；模拟研究显示其在重尾噪声与污染下明显优于核范数类与非稳健替代方法，并给出癌症细胞系数据的应用示例。
- 阅读关注点
- 应核对 Huber 损失与非凸谱惩罚的具体形式、缺失数据机制假设（是否随机缺失）、算法收敛性与调参方式，以及模拟设定、对比基准和评价指标是否支持“明显优于”的表述。
- 阅读边界
- 仅依据摘要，无法判断识别条件、理论保证（如估计误差界或秩恢复条件）、模拟与实证的具体数值结果，也未说明缺失机制与计算成本；摘要未说明这些细节。
原文摘要
Reduced rank regression (RRR) is a fundamental tool for modeling multiple responses through low-dimensional latent structures, offering both interpretability and strong predictive performance in high-dimensional settings. Classical RRR methods, however, typically rely on squared loss and Gaussian noise assumptions, rendering them sensitive to heavy-tailed errors, outliers, and data contamination. Moreover, the presence of missing data--common in modern applications--further complicates reliable low-rank estimation. In this paper, we propose a robust reduced rank regression framework that simultaneously addresses heavy-tailed noise, outliers, and missing data. Our approach combines a robust Huber loss with nonconvex spectral regularization, specifically the minimax concave penalty (MCP) and smoothly clipped absolute deviation (SCAD). Unlike convex nuclear-norm regularization, the proposed nonconvex penalties alleviate excessive shrinkage and enable more accurate recovery of the underlying low-rank structure. The method also accommodates missing data in the response matrix without requiring imputation. We develop an efficient proximal gradient algorithm based on alternating updates and tailored spectral thresholding. Extensive simulation studies demonstrate that the proposed methods substantially outperform nuclear-norm-based and non-robust alternatives under heavy-tailed noise and contamination. An application to cancer cell line data set further illustrates the practical advantages of the proposed robust RRR framework. Our method is implemented in the R package rrpackrobust available at https://github.com/tienmt/rrpackrobust.