Rate-optimal posterior contraction for sparse PCA
稀疏主成分分析的速率最优后验收缩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：摘要研究通用稀疏 PCA，未将低秩结构明确用于宏观或金融因子模型。
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
稀疏主成分分析的速率最优后验收缩
- 研究问题
- 在高维稀疏主成分分析中，如何构造同时适应稀疏程度和秩的贝叶斯先验，使后验达到最优估计速率？
- 方法与思路
- 作者为稀疏 PCA 提出先验并分析后验的理论性质，同时讨论秩为一时可采用的计算高效策略。
- 材料陈述的贡献
- 摘要称，该先验适应稀疏性和秩，后验以最优极小极大速率收缩到真值，并讨论秩一情形的计算实现。
- 阅读关注点
- 应核对参数空间、后验收缩所用损失和距离、最优速率的成立条件，以及秩一计算策略能否推广到更高秩。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体先验、收缩条件及计算复杂度未提供，不能判断其实际计算表现。
原文摘要
Principal component analysis (PCA) is possibly one of the most widely used statistical tools to recover a low-rank structure of the data. In the high-dimensional settings, the leading eigenvector of the sample covariance can be nearly orthogonal to the true eigenvector. A sparse structure is then commonly assumed along with a low rank structure. Recently, minimax estimation rates of sparse PCA were established under various interesting settings. On the other side, Bayesian methods are becoming more and more popular in high-dimensional estimation, but there is little work to connect frequentist properties and Bayesian methodologies for high-dimensional data analysis. In this paper, we propose a prior for the sparse PCA problem and analyze its theoretical properties. The prior adapts to both sparsity and rank. The posterior distribution is shown to contract to the truth at optimal minimax rates. In addition, a computationally efficient strategy for the rank-one case is discussed.