Sample-efficient inductive matrix completion with noise and inexact side-information
带噪声与不精确边信息的样本高效归纳矩阵补全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：摘要讨论矩阵补全的算法与统计理论，未涉及所给微观、宏观或金融计量细分领域的主题，故不选择任何领域细分。
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
带噪声与不精确边信息的样本高效归纳矩阵补全
- 研究问题
- 摘要称，归纳矩阵补全在含噪情形下能否实现由边信息有效维度而非环境矩阵规模决定的样本复杂度，是既有理论未完全解决的问题。
- 方法与思路
- 作者提出带谱初始化的非凸投影梯度下降算法，证明在精确边信息下具有线性收敛与稳定恢复，并借助损失函数的局部正则条件把分析扩展到不精确边信息。
- 材料陈述的贡献
- 摘要称该文在含噪归纳矩阵补全中实现了由边信息有效维度控制的样本复杂度，并给出估计误差随子空间错配程度最优退化的结论，还提出在归纳矩阵补全与普通矩阵补全之间插值的惩罚方法。
- 阅读关注点
- 阅读全文时应核对局部正则条件的成立范围、样本复杂度与错配程度的具体表述、惩罚插值方法的调参方式，以及模拟与 MovieLens 实验的设置是否支持理论结论。
- 阅读边界
- 仅凭摘要无法判断证明细节、常数与假设是否成立，也无法核实实验规模与可复现性；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Inductive matrix completion (IMC) is a variant of low-rank matrix completion that incorporates row and column side-information. In principle, it can reduce the effective dimension of the recovery problem from the ambient matrix size to the dimension of the side-information features. Existing theory, however, does not fully realize this advantage in the noisy setting: sample-efficient guarantees only apply to noiseless recovery, while noisy guarantees require sample sizes comparable to ordinary matrix completion. This paper closes this gap for noisy IMC. We analyze a nonconvex projected gradient descent algorithm with spectral initialization and prove that, under exact side-information, it achieves linear convergence and stable recovery at a sample complexity governed by the effective side-information dimension rather than the ambient matrix dimension. The key technical ingredient is a local regularity condition for the IMC loss that holds at this reduced sample size, despite the mismatch between the observation pattern and the side-information subspaces. We further extend the analysis to inexact side-information, showing that the same reduced sample complexity is preserved and that the estimation error degrades optimally with the level of subspace misspecification. Motivated by this trade-off, we also propose a penalized interpolation between IMC and ordinary matrix completion that balances sample efficiency against robustness to imperfect side-information. Simulations and experiments on the MovieLens dataset support the theoretical findings and illustrate the practical benefits of exploiting side-information in low-sample regimes.