Mode-wise principal subspace pursuit and matrix spiked covariance model
按模态的主子空间追踪与矩阵尖峰协方差模型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：摘要研究一般矩阵数据降维和协方差模型，未明确设定宏观或金融因子模型，故不按潜在变异一词归类。
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
按模态的主子空间追踪与矩阵尖峰协方差模型
- 研究问题
- 对于矩阵型数据，如何同时提取行与列方向的潜在变异和信息子空间，并分析降维算法的收敛与估计误差？
- 方法与思路
- 作者引入矩阵尖峰协方差模型，提出由平均子空间捕获初始化和交替投影组成的 MOP-UP，并发展分块特征值扰动界。
- 材料陈述的贡献
- 摘要称，初始化在无噪声情形实现精确恢复，并分析算法收敛和非渐近误差界，提供模拟、真实数据及高阶推广讨论。
- 阅读关注点
- 应核对行列子空间的模型定义、精确恢复和收敛的条件，以及新扰动界为何能处理经典扰动界无法得到目标界的情形。
- 阅读边界
- 仅据 Crossref 摘要。摘要未列出噪声、信号和维度条件，也未提供实验数值；无噪声精确恢复不能推广至任意有噪声数据。
原文摘要
Abstract This paper introduces a novel framework called Mode-wise Principal Subspace Pursuit (MOP-UP) to extract hidden variations in both the row and column dimensions for matrix data. To enhance the understanding of the framework, we introduce a class of matrix-variate spiked covariance models that serve as inspiration for the development of the MOP-UP algorithm. The MOP-UP algorithm consists of two steps: Average Subspace Capture (ASC) and Alternating Projection. These steps are specifically designed to capture the row-wise and column-wise dimension-reduced subspaces which contain the most informative features of the data. ASC utilizes a novel average projection operator as initialization and achieves exact recovery in the noiseless setting. We analyse the convergence and non-asymptotic error bounds of MOP-UP, introducing a blockwise matrix eigenvalue perturbation bound that proves the desired bound, where classic perturbation bounds fail. The effectiveness and practical merits of the proposed framework are demonstrated through experiments on both simulated and real datasets. Lastly, we discuss generalizations of our approach to higher-order data.