Optimality of approximate message passing for spiked matrix models with rotationally invariant noise
旋转不变噪声尖峰矩阵模型中近似消息传递的最优性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：摘要讨论通用秩一矩阵信号估计，未提供经济因子或金融因子模型的文本依据。
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
旋转不变噪声尖峰矩阵模型中近似消息传递的最优性
- 研究问题
- 观测矩阵受到旋转不变加性噪声污染时，如何恢复秩一信号，并在给定迭代预算下确定算法可达到的估计误差？
- 方法与思路
- 作者构造新的 AMP 算法，对观测矩阵特征值和历史迭代分别进行非线性去噪，并刻画高维极限中的迭代动态。
- 材料陈述的贡献
- 摘要称推导了两类去噪器的最优选择，所得算法在固定迭代次数下达到某一广泛迭代算法类中的最低渐近估计误差。
- 阅读关注点
- 应核对比较算法类、先验信息要求和高维极限条件，区分固定迭代预算下的类内最优性与其他意义的最优性。
- 阅读边界
- 仅据版本未注明的索引摘要，无法确定算法类边界及噪声条件；不能将类内渐近最优性扩展为有限样本或所有算法最优。
原文摘要
We study the problem of estimating a rank-one signal matrix from a noisy observed matrix corrupted by additive rotationally invariant noise. We develop a new class of approximate message passing algorithms for this problem and provide a simple and concise characterization of their dynamics in the high-dimensional limit. At each iteration, these algorithms leverage prior knowledge about the noise structure by applying a nonlinear matrix denoiser to the eigenvalues of the observed matrix, and utilize prior information regarding the signal structure by applying a nonlinear iterate denoiser to the previous iterates generated by the algorithm. We derive the optimal choices for both the matrix and iterate denoisers and demonstrate that the resulting algorithm achieves the lowest possible asymptotic estimation error among a broad class of iterative algorithms under a fixed iteration budget.