Generalized High-Dimensional Trace Regression via Nuclear Norm Regularization
核范数正则化的广义高维迹回归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：摘要明确将核范数正则化用于动态股票收益预测，提供了收益预测方向的直接依据。
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…
关注这篇论文的作者
核范数正则化的广义高维迹回归
- 研究问题
- 当回归系数呈近似低秩矩阵结构且响应类型不限于连续变量时，如何进行高维估计，并确定相应统计误差的收敛速度？
- 方法与思路
- 作者构造广义迹回归，通过最小化经验负对数似然与核范数惩罚估计系数矩阵，并针对降秩回归、矩阵补全等问题分析误差。
- 材料陈述的贡献
- 摘要称相关速率在对数因子内匹配线性迹回归的极小极大速率，数值研究展示二元响应优势，并包含股票收益预测应用。
- 阅读关注点
- 应核对响应模型与设计条件、近似低秩的定义及误差度量，速率比较的基准，以及股票预测中的样本划分和实际比较指标。
- 阅读边界
- 所给版本为 arXiv 预印本，不能认定已同行评审或接收；摘要未列完整条件或预测数值，不能将特定实验优势推广至所有响应。
原文摘要
We study the generalized trace regression with a near low-rank regression coefficient matrix, which extends notion of sparsity for regression coefficient vectors. Specifically, given a matrix covariate $X$, the probability density function $f(Y\vert X)=c(Y)\exp{(φ^{-1}\left[-Yη^* + b(η^*)\right])}$, where $η^*=tr({Θ^*}^TX)$. This model accommodates various types of responses and embraces many important problem setups such as reduced-rank regression, matrix regression that accommodates a panel of regressors, matrix completion, among others. We estimate $Θ^*$ through minimizing empirical negative log-likelihood plus nuclear norm penalty. We first establish a general theory and then for each specific problem, we derive explicitly the statistical rate of the proposed estimator. They all match the minimax rates in the linear trace regression up to logarithmic factors. Numerical studies confirm the rates we established and demonstrate the advantage of generalized trace regression over linear trace regression when the response is dichotomous. We also show the benefit of incorporating nuclear norm regularization in dynamic stock return prediction and in image classification.