Bridging Convex and Nonconvex Optimization in Robust PCA: Noise, Outliers, and Missing Data
稳健主成分分析中的凸与非凸优化：噪声、异常值与缺失数据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：摘要研究一般低秩矩阵恢复，未明确涉及宏观或金融因子模型，不能仅凭 PCA 名称归入这些方向。
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…
稳健主成分分析中的凸与非凸优化：噪声、异常值与缺失数据
- 研究问题
- 低秩矩阵同时受到随机噪声、稀疏大幅异常值和缺失观测影响时，凸松弛方法能获得怎样的统计精度保证？
- 方法与思路
- 作者通过联系所用凸规划与辅助非凸算法分析稳健 PCA，并在良态、不相干及固定秩矩阵条件下研究误差。
- 材料陈述的贡献
- 摘要称凸规划可在欧氏损失与最大元素损失下达到近最优精度，并容许接近常数比例的观测被任意幅度异常值污染。
- 阅读关注点
- 应核对噪声、缺失和污染机制的条件，矩阵良态与不相干要求，以及两类损失下近最优界的具体含义和范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未列出采样和污染的完整限制，不能推断其覆盖任意缺失机制。
原文摘要
This paper delivers improved theoretical guarantees for the convex programming approach in low-rank matrix estimation, in the presence of (1) random noise, (2) gross sparse outliers, and (3) missing data. This problem, often dubbed as robust principal component analysis (robust PCA), finds applications in various domains. Despite the wide applicability of convex relaxation, the available statistical support (particularly the stability analysis vis-à-vis random noise) remains highly suboptimal, which we strengthen in this paper. When the unknown matrix is well-conditioned, incoherent, and of constant rank, we demonstrate that a principled convex program achieves near-optimal statistical accuracy, in terms of both the Euclidean loss and the $\ell_{\infty}$ loss. All of this happens even when nearly a constant fraction of observations are corrupted by outliers with arbitrary magnitudes. The key analysis idea lies in bridging the convex program in use and an auxiliary nonconvex optimization algorithm, and hence the title of this paper.