Robust Tensor Regression with Nonconvexity: Algorithmic and Statistical Theory
非凸稳健张量回归：算法与统计理论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：摘要讨论张量回归的稳健估计、非凸优化算法与统计收敛理论，属于高维张量统计方法，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分领域。
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…
非凸稳健张量回归：算法与统计理论
- 研究问题
- 摘要称，张量回归是张量数据分析的重要工具，但已有工作未考虑异常值的影响，可能对这类数据点敏感；本文研究在高维张量数据含重尾随机噪声时如何进行稳健回归。
- 方法与思路
- 作者提出一种低管秩（low tubal rank）稳健回归方法，基于张量管秩的非凸松弛，并在损失函数与惩罚函数均可非凸的一般优化框架下求解；摘要称给出了可实现的估计算法，并在若干温和假设下建立其全局收敛性。
- 材料陈述的贡献
- 摘要称提供关于驻点的一般统计理论，包括收敛速率与预测误差界；这些结果覆盖线性模型、广义线性模型、Huber 回归，并涵盖 correntropy、最小距离准则诱导损失等非凸损失；另通过模拟与应用研究提供支持性数值证据。
- 阅读关注点
- 应核对：非凸松弛的具体形式与管秩定义；全局收敛所依赖的假设是否温和、是否可验证；驻点统计理论中收敛速率与预测误差界的具体条件与量级；所覆盖模型与损失是否确如摘要所述；模拟与应用研究的设计、对比基准与结论范围。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文，不能据此声称已通过同行评审或期刊接收；摘要未说明具体识别假设、定理条件、数据来源、数值结果与对比结论，相关判断需以全文为准。
原文摘要
Tensor regression is an important tool for tensor data analysis, but existing works have not considered the impact of outliers, making them potentially sensitive to such data points. This paper proposes a low tubal rank robust regression method for analyzing high-dimensional tensor data with heavy-tailed random noise. The proposed method is based on a nonconvex relaxation of the tensor tubal rank within a general optimization framework, which allows for nonconvexity in both the loss and penalty functions. We develop an implementable estimation algorithm and establish its global convergence under some mild assumptions. Furthermore, we provide general statistical theories regarding stationary point, including the rates of convergence and bounds on the prediction error. These theoretical results cover many important models, such as linear models, generalized linear models, and Huber regression, and even encompass some nonconvex losses like correntropy and minimum distance criterion-induced losses. Supportive numerical evidence is provided through simulations and application studies.