Guaranteed Functional Tensor Singular Value Decomposition
具有理论保证的函数型张量奇异值分解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：摘要研究函数型张量降维，纵向数据动机尚不足以确定其属于所列面板计量方向。
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
具有理论保证的函数型张量奇异值分解
- 研究问题
- 如何对同时包含函数维度和多个表格维度的高阶纵向数据降维，并从离散时间网格上的观测恢复低秩结构？
- 方法与思路
- 作者结合张量代数与再生核希尔伯特空间，提出带谱初始化的约束幂迭代，估计近似CP低秩结构的向量与函数。
- 材料陈述的贡献
- 摘要称，作者建立算法的非渐近收缩误差界，并通过模拟与真实数据实验展示该降维框架的表现。
- 阅读关注点
- 应核对近似低秩模型、时间网格与误差结构的具体条件，以及谱初始化要求、收缩误差界和实验比较设置。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要，不能推断刊本变化；所谓温和条件及实验优势的适用范围仍需全文核对。
原文摘要
This paper introduces the functional tensor singular value decomposition (FTSVD), a novel dimension reduction framework for tensors with one functional mode and several tabular modes. The problem is motivated by high-order longitudinal data analysis. Our model assumes the observed data to be a random realization of an approximate CP low-rank functional tensor measured on a discrete time grid. Incorporating tensor algebra and the theory of Reproducing Kernel Hilbert Space (RKHS), we propose a novel RKHS-based constrained power iteration with spectral initialization. Our method can successfully estimate both singular vectors and functions of the low-rank structure in the observed data. With mild assumptions, we establish the non-asymptotic contractive error bounds for the proposed algorithm. The superiority of the proposed framework is demonstrated via extensive experiments on both simulated and real data.