Tight Risk Bound for High Dimensional Time Series Completion
高维时间序列补全的紧风险界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：摘要明确研究依赖性高维时间序列的补全与重构风险，支持时间序列方法分类，未限定宏观经济应用。
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…
高维时间序列补全的紧风险界
- 研究问题
- 低秩矩阵补全用于存在时间依赖的高维缺失序列时，能否获得理论支持，并达到独立数据情形下的重构误差阶？
- 方法与思路
- 作者建立多变量、部分观测时间序列的一般模型，研究带秩惩罚的最小二乘重构，并进一步考虑周期性或平滑性带来的影响。
- 材料陈述的贡献
- 摘要称，该方法的重构误差可与独立数据情形同阶；当序列具备周期性或平滑性等额外性质时，收敛速度还可能更快。
- 阅读关注点
- 应核对时间依赖与缺失机制的限制、秩惩罚的设定、风险界的具体形式，以及额外结构改善速率所需条件和适用范围。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出具体假设、误差界表达式或最优性证明依据。
原文摘要
Initially designed for independent datas, low-rank matrix completion was successfully applied in many domains to the reconstruction of partially observed high-dimensional time series. However, there is a lack of theory to support the application of these methods to dependent datas. In this paper, we propose a general model for multivariate, partially observed time series. We show that the least-square method with a rank penalty leads to reconstruction error of the same order as for independent datas. Moreover, when the time series has some additional properties such as periodicity or smoothness, the rate can actually be faster than in the independent case.