Chain-Linked Multiple Matrix Integration via Embedding Alignment
通过嵌入对齐实现链式多矩阵整合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：摘要研究一般多源矩阵补全与嵌入对齐，未明确涉及经济网络、宏观因子或金融因子研究。
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
通过嵌入对齐实现链式多矩阵整合
- 研究问题
- 当完整矩阵只留下若干带噪声、部分重叠的子矩阵时，如何跨来源整合信息，并对重建矩阵的逐元素误差进行推断？
- 方法与思路
- 作者提出 CMMI：先从各子矩阵提取实体嵌入，再借助共同实体对齐嵌入，最后汇总信息以重建完整目标矩阵。
- 材料陈述的贡献
- 摘要称在正则条件下建立逐元素误差界与正态近似，并通过模拟和应用展示重叠较少时的恢复效果及计算效率。
- 阅读关注点
- 应核对块缺失结构、子矩阵之间的重叠要求与对齐误差传播，以及逐元素正态近似所需条件和不确定性估计方式。
- 阅读边界
- 仅据所给 OpenAlex 摘要，具体正则条件、重叠门槛与噪声假设未说明；不推断后续刊本变化。
原文摘要
Motivated by the increasing demand for multi-source data integration in various scientific fields, in this article we study matrix completion in scenarios where the data exhibits certain block-wise missing structures—specifically, where only a few noisy submatrices representing (overlapping) parts of the full matrix are available. We propose the Chain-linked Multiple Matrix Integration (CMMI) procedure to efficiently combine the information that can be extracted from these individual noisy submatrices. CMMI begins by deriving entity embeddings for each observed submatrix, then aligns these embeddings using overlapping entities between pairs of submatrices, and finally aggregates them to reconstruct the entire matrix of interest. We establish, under mild regularity conditions, entrywise error bounds and normal approximations for the CMMI estimates. Simulation studies and real data applications show that CMMI is computationally efficient and effective in recovering the full matrix, even when overlaps between the observed submatrices are minimal. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.