Universal rank inference via residual subsampling with application to large networks
残差子抽样的通用秩推断及其大型网络应用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：摘要明确包含度校正混合成员网络模型，并将大型网络列为秩推断的应用对象。
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
残差子抽样的通用秩推断及其大型网络应用
- 研究问题
- 在低秩加噪声的矩阵模型中，如何检验并估计准确的秩，并使方法适用于包括复杂大型网络模型在内的较广模型族？
- 方法与思路
- 作者提出残差子抽样秩推断，先提取尖峰成分，再对子抽样的残差矩阵元素构造统计量，理论分析依托随机矩阵谱展开。
- 材料陈述的贡献
- 摘要称，统计量在原假设下渐近标准正态，在备择下以渐近概率一发散，并以模拟和真实数据展示方法的优势。
- 阅读关注点
- 应核对模型族的限制、尖峰提取与残差子抽样规则，以及检验如何转化为秩估计，并检查弱信号和网络稀疏性的影响。
- 阅读边界
- 依据版本未注明的 OpenAlex 摘要；适用模型条件、子抽样规模和信号要求未说明，“通用”不能理解为对任意矩阵噪声有效。
原文摘要
Determining the precise rank is an important problem in many large-scale applications with matrix data exploiting low-rank plus noise models. In this paper, we suggest a universal approach to rank inference via residual subsampling (RIRS) for testing and estimating rank in a wide family of models, including many popularly used network models such as the degree corrected mixed membership model as a special case. Our procedure constructs a test statistic via subsampling entries of the residual matrix after extracting the spiked components. The test statistic converges in distribution to the standard normal under the null hypothesis, and diverges to infinity with asymptotic probability one under the alternative hypothesis. The effectiveness of RIRS procedure is justified theoretically, utilizing the asymptotic expansions of eigenvectors and eigenvalues for large random matrices recently developed in (J. Amer. Statist. Assoc. 117 (2022) 996–1009) and (J. R. Stat. Soc. Ser. B. Stat. Methodol. 84 (2022) 630–653). The advantages of the newly suggested procedure are demonstrated through several simulation and real data examples.