Low-Rank Principal Eigenmatrix Analysis
低秩主特征矩阵分析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：摘要研究通用高维特征向量估计，未给出足以归入所列经济或金融方向的依据。
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…
低秩主特征矩阵分析
- 研究问题
- 当高维矩阵的主特征向量并不稀疏，但经过适当矩阵化后具有低秩结构时，如何利用这一结构提取主要方向？
- 方法与思路
- 作者提出低秩主特征矩阵分析，并采用矩阵化后的秩截断幂迭代，利用重排后的低秩约束估计可以稠密的主特征向量。
- 材料陈述的贡献
- 摘要称建立了该方法的计算与统计性质，并通过多个合成数据实验展示有竞争力的表现；还以循环矩阵说明结构来源。
- 阅读关注点
- 应核对矩阵化方式如何确定、秩截断和初始化如何选择，以及计算与统计保证所需条件，并检查实验中的比较对象。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定同行评审或期刊接收；摘要未说明具体误差界、运行成本和实验数值，无法判断普遍优势。
原文摘要
Sparse PCA is a widely used technique for high-dimensional data analysis. In this paper, we propose a new method called low-rank principal eigenmatrix analysis. Different from sparse PCA, the dominant eigenvectors are allowed to be dense but are assumed to have a low-rank structure when matricized appropriately. Such a structure arises naturally in several practical cases: Indeed the top eigenvector of a circulant matrix, when matricized appropriately is a rank-1 matrix. We propose a matricized rank-truncated power method that could be efficiently implemented and establish its computational and statistical properties. Extensive experiments on several synthetic data sets demonstrate the competitive empirical performance of our method.