Statistical Inferences of Linear Forms for Noisy Matrix Completion
含噪矩阵补全中线性泛函的统计推断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：摘要涉及通用矩阵补全推断，未明确面板、因子或其他所列领域的具体应用。
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…
含噪矩阵补全中线性泛函的统计推断
- 研究问题
- 只观察大型矩阵部分元素且观测含噪时，如何对矩阵的一般线性泛函构造估计、置信区间和假设检验？
- 方法与思路
- 作者以逐元素一致的矩阵估计器为起点，结合双样本去偏与低秩投影，并通过经验奇异子空间的扰动分析支持推断。
- 材料陈述的贡献
- 摘要称，在一定正则条件下可构造渐近正态的线性泛函估计器，并用模拟及真实数据展示推断程序的实践表现。
- 阅读关注点
- 应核对观测机制、低秩与噪声条件、逐元素一致性要求，以及线性泛函的允许范围和渐近方差估计方法。
- 阅读边界
- Crossref 摘要未列出所谓温和正则条件，也未提供数值结果；无法据此判断有限样本覆盖率或推断后续版本变化。
原文摘要
Abstract We introduce a flexible framework for making inferences about general linear forms of a large matrix based on noisy observations of a subset of its entries. In particular, under mild regularity conditions, we develop a universal procedure to construct asymptotically normal estimators of its linear forms through double-sample debiasing and low-rank projection whenever an entry-wise consistent estimator of the matrix is available. These estimators allow us to subsequently construct confidence intervals for and test hypotheses about the linear forms. Our proposal was motivated by a careful perturbation analysis of the empirical singular spaces under the noisy matrix completion model which might be of independent interest. The practical merits of our proposed inference procedure are demonstrated on both simulated and real-world data examples.