Dynamic Matrix Recovery
动态矩阵恢复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：摘要核心是动态低秩矩阵恢复，未明确用于宏观时间序列或宏观、金融因子模型。
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
动态矩阵恢复
- 研究问题
- 如何从稀疏观测恢复随时间平滑变化的低秩矩阵，并处理设计矩阵与噪声存在时间相关性时的统计和计算问题？
- 方法与思路
- 作者汇集邻近时点观测，先分析时间独立情形，再借助修正的集中不等式处理相关情形，并提出动态迭代阈值算法。
- 材料陈述的贡献
- 摘要称得到反映平滑性、依赖程度与有效样本量的估计误差界，并刻画算法收敛与统计收敛之间的关系。
- 阅读关注点
- 应核对观测算子的要求、低秩与平滑约束、允许的时间依赖形式，以及邻域选择和算法停止误差的处理。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；稀疏观测与时间依赖的具体条件未提供，不能推断一般动态数据适用或刊本变化。
原文摘要
Matrix recovery from sparse observations is an extensively studied topic emerging in various applications, such as recommendation system and signal processing, which includes the matrix completion and compressed sensing models as special cases. In this article, we propose a general framework for dynamic matrix recovery of low-rank matrices that evolve smoothly over time. We start from the setting that the observations are independent across time, then extend to the setting that both the design matrix and noise possess certain temporal correlation via modified concentration inequalities. By pooling neighboring observations, we obtain sharp estimation error bounds of both settings, showing the influence of the underlying smoothness, the dependence and effective samples. We propose a dynamic fast iterative shrinkage-thresholding algorithm that is computationally efficient, and characterize the interplay between algorithmic and statistical convergence. Simulated and real data examples are provided to support such findings. Supplementary materials for this article are available online.