False Discovery and its Control in Low Rank Estimation
低秩估计中的错误发现及其控制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：低秩矩阵与行列空间是通用统计对象，摘要未涉及宏观或金融因子模型，因此不足以归入因子细分方向。
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…
低秩估计中的错误发现及其控制
- 研究问题
- 低秩矩阵的行列空间承载结构信息时，如何定义估计空间中的真实与错误发现，并控制错误发现而兼顾空间的连续几何结构？
- 方法与思路
- 作者通过几何方式重新表述发现概念，使之适用于低秩矩阵，再推广稳定性选择方法并分析其错误发现控制性质。
- 材料陈述的贡献
- 摘要称建立了低秩估计中发现的定义与控制框架，并通过数值实验展示其相较既有方法的用途，未给出具体比较结果。
- 阅读关注点
- 应核对几何发现量及控制目标的精确定义、稳定性选择推广所需条件，以及数值比较中秩、信号强度与基准方法的设定。
- 阅读边界
- 仅据Crossref摘要，不能将错误发现控制直接等同于传统变量选择的错误发现率，也无法判断数值优势的普遍性。
原文摘要
Summary Models specified by low rank matrices are ubiquitous in contemporary applications. In many of these problem domains, the row–column space structure of a low rank matrix carries information about some underlying phenomenon, and it is of interest in inferential settings to evaluate the extent to which the row–column spaces of an estimated low rank matrix signify discoveries about the phenomenon. However, in contrast with variable selection, we lack a formal framework to assess true or false discoveries in low rank estimation; in particular, the key source of difficulty is that the standard notion of a discovery is a discrete notion that is ill suited to the smooth structure underlying low rank matrices. We address this challenge via a geometric reformulation of the concept of a discovery, which then enables a natural definition in the low rank case. We describe and analyse a generalization of the stability selection method of Meinshausen and Bühlmann to control for false discoveries in low rank estimation, and we demonstrate its utility compared with previous approaches via numerical experiments.