Minimax optimal seriation in polynomial time
多项式时间内达到极小极大最优的排序恢复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：摘要明确研究矩阵排序恢复，但未给出网络互动、干扰或经济应用，不能仅凭矩阵表示归入网络领域。
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…
多项式时间内达到极小极大最优的排序恢复
- 研究问题
- 如何从带噪声且经过置换的 Robinson 矩阵中恢复隐藏顺序，并在较宽松的矩阵条件下达到最优统计误差速率？
- 方法与思路
- 作者在平均 Lipschitz 条件下建立精确的极小极大速率，设计达到该速率的多项式时间算法，并扩展所分析的矩阵类。
- 材料陈述的贡献
- 摘要称其条件严格扩展既有双 Lipschitz 框架，算法达到最优速率、解决两个既有开放问题，并涵盖非精确置换矩阵。
- 阅读关注点
- 应核对平均 Lipschitz 条件、排序误差的损失定义、噪声设定及上下界，并确认算法复杂度与扩展矩阵类的限制。
- 阅读边界
- 仅据所给 Crossref 摘要，具体速率、噪声条件与算法步骤未说明；最优性只能理解为所述模型和损失下的结论。
原文摘要
We consider the seriation problem, whose goal is to recover a hidden ordering from a noisy observation of a permuted Robinson matrix. We establish sharp minimax rates under average-Lipschitz conditions that strictly extend the bi-Lipschitz framework of Giraud, Issartel and Verzelen (Electron. J. Stat. (2023) 17 1587–1662). We further design a polynomial-time algorithm that attains these optimal rates, thereby resolving two open questions raised in Giraud, Issartel and Verzelen. Finally, our analysis extends to a broader class of matrices beyond those generated by exact permutations.