An optimal statistical and computational framework for generalized tensor estimation
广义张量估计的统计与计算最优框架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：摘要仅将网络分析列为应用之一，主要研究通用张量估计，未明确经济网络互动或宏观金融因子模型。
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…
广义张量估计的统计与计算最优框架
- 研究问题
- 在广义参数模型下估计低秩张量时，如何处理目标函数的非凸性，同时获得统计误差控制和可计算的收敛保证？
- 方法与思路
- 作者提出适应低秩结构的统一投影梯度下降方法，以确定性分析研究损失函数条件下的统计误差与计算收敛。
- 材料陈述的贡献
- 摘要称给出统计误差上界和线性计算收敛率，并在所分析的张量 PCA 与回归问题中证明极小极大最优估计速率。
- 阅读关注点
- 应核对损失条件、初始化与秩设定要求，区分一般确定性保证和具体模型结论，并检查实验比较的基准与范围。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；最优性与实验优势均为摘要陈述，具体条件和结果未提供，不能泛化到任意张量问题。
原文摘要
This paper describes a flexible framework for generalized low-rank tensor estimation problems that includes many important instances arising from applications in computational imaging, genomics, and network analysis. The proposed estimator consists of finding a low-rank tensor fit to the data under generalized parametric models. To overcome the difficulty of nonconvexity in these problems, we introduce a unified approach of projected gradient descent that adapts to the underlying low-rank structure. Under mild conditions on the loss function, we establish both an upper bound on statistical error and the linear rate of computational convergence through a general deterministic analysis. Then we further consider a suite of generalized tensor estimation problems, including sub-Gaussian tensor PCA, tensor regression, and Poisson and binomial tensor PCA. We prove that the proposed algorithm achieves the minimax optimal rate of convergence in estimation error. Finally, we demonstrate the superiority of the proposed framework via extensive experiments on both simulated and real data.