Provable Sparse Tensor Decomposition
具有理论保证的稀疏张量分解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：摘要涉及通用高维潜变量模型及预测、聚类应用，未提供归入经济结构估计等细分领域的直接依据。
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…
具有理论保证的稀疏张量分解
- 研究问题
- 如何在高维张量分解中同时选择变量与估计分解成分，并通过初始化获得比非稀疏方法更有利的统计收敛结果？
- 方法与思路
- 作者在张量幂迭代中嵌入截断步骤实现稀疏性，并引入适当初始化，应用于高维高斯混合及稀疏回归混合模型。
- 材料陈述的贡献
- 摘要称建立局部统计速率，并借助初始化加强为全局统计速率；还报告相对非稀疏方法的速率改善与应用表现。
- 阅读关注点
- 应核对张量结构、成分分离及稀疏度条件，区分全局统计速率与优化保证，并查看初始化成本和比较基准。
- 阅读边界
- 仅据所给 Crossref 摘要；具体速率、条件和数值结果未说明，不能认定任意初始化有效或方法在所有潜变量模型中占优。
原文摘要
Summary We propose a novel sparse tensor decomposition method, namely the tensor truncated power method, that incorporates variable selection in the estimation of decomposition components. The sparsity is achieved via an efficient truncation step embedded in the tensor power iteration. Our method applies to a broad family of high dimensional latent variable models, including high dimensional Gaussian mixtures and mixtures of sparse regressions. A thorough theoretical investigation is further conducted. In particular, we show that the final decomposition estimator is guaranteed to achieve a local statistical rate, and we further strengthen it to the global statistical rate by introducing a proper initialization procedure. In high dimensional regimes, the statistical rate obtained significantly improves those shown in the existing non-sparse decomposition methods. The empirical advantages of tensor truncated power are confirmed in extensive simulation results and two real applications of click-through rate prediction and high dimensional gene clustering.