Bootstrap-Based Regularization for Low-Rank Matrix Estimation
低秩矩阵估计的自助法正则化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：摘要研究通用低秩矩阵估计与噪声驱动正则化，没有经济应用；低秩或自编码表述本身不足以归为经济因子模型。
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
低秩矩阵估计的自助法正则化
- 研究问题
- 如何将观测矩阵的噪声模型转化为适合该噪声结构的正则化方案，并在不预先指定目标秩的情况下生成低秩估计？
- 方法与思路
- 作者利用自助算法寻找对指定噪声稳定的自编码基；各向同性噪声下对应奇异值收缩，迭代版本可自动生成低秩解。
- 材料陈述的贡献
- 摘要称框架适用于非各向同性噪声并产生不同于奇异值收缩的新估计量，实验展示其表现，迭代方法无需指定目标秩。
- 阅读关注点
- 全文应核对噪声模型如何构造自助扰动、稳定性目标与迭代规则，以及自动生成低秩结果的条件和实验比较设定。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明完整理论保证及噪声设定错误时的表现。
原文摘要
We develop a flexible framework for low-rank matrix estimation that allows us to transform noise models into regularization schemes via a simple bootstrap algorithm. Effectively, our procedure seeks an autoencoding basis for the observed matrix that is stable with respect to the specified noise model; we call the resulting procedure a stable autoencoder. In the simplest case, with an isotropic noise model, our method is equivalent to a classical singular value shrinkage estimator. For non-isotropic noise models, e.g., Poisson noise, the method does not reduce to singular value shrinkage, and instead yields new estimators that perform well in experiments. Moreover, by iterating our stable autoencoding scheme, we can automatically generate low-rank estimates without specifying the target rank as a tuning parameter.