Tucker tensor factor models: matricization and mode-wise PCA estimation
Tucker 张量因子模型：矩阵化与逐模态主成分估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究通用张量因子理论，虽含经济数据应用，但未明确其宏观属性或金融因子用途。
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…
Tucker 张量因子模型：矩阵化与逐模态主成分估计
- 研究问题
- 如何将高维高阶张量因子模型的低秩信号估计转化为熟悉的向量因子问题，并理解逐模态主成分、投影及迭代的作用？
- 方法与思路
- 作者通过张量矩阵化，将 Tucker 张量因子模型重写为逐模态的高维向量或纤维因子模型，使用 PCA 并考虑投影与迭代。
- 材料陈述的贡献
- 摘要称建立所提估计器的推断理论，指出投影与迭代可不同程度提高信噪比，并以模拟、张量重建及视频和经济数据聚类说明。
- 阅读关注点
- 应核对各模态因子与低秩信号的识别方式、维度和依赖条件，以及投影迭代的误差传播、推断对象和经济数据应用设定。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给出具体收敛率、依赖条件，也未说明经济数据是否属于宏观数据。
原文摘要
High-dimensional, higher-order tensor data are gaining prominence in a variety of fields, including but not limited to computer vision and network analysis. Tensor factor models, induced from noisy versions of tensor decompositions or factorizations, are natural potent instruments to study a collection of tensor-variate objects that may be dependent or independent. However, it is still in the early stage of developing statistical inferential theories for the estimation of various low-rank structures, which are customary to play the role of signals of tensor factor models. In this paper, we attempt to ``decode" the estimation of a higher-order tensor factor model by leveraging tensor matricization. Specifically, we recast it into mode-wise traditional high-dimensional vector/fiber factor models, enabling the deployment of conventional principal components analysis (PCA) for estimation. Demonstrated by the Tucker tensor factor model (TuTFaM), which is induced from the noisy version of the widely-used Tucker decomposition, we summarize that estimations on signal components are essentially mode-wise PCA techniques, and the involvement of projection and iteration will enhance the signal-to-noise ratio to various extent. We establish the inferential theory of the proposed estimators, conduct rich simulation experiments, and illustrate how the proposed estimations can work in tensor reconstruction, and clustering for independent video and dependent economic datasets, respectively.