跳到正文
← 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:摘要聚焦高维协方差矩阵的张量列结构估计与非渐近界,属高维统计与矩阵/张量方法,未涉及所给微观、宏观或金融计量细分领域的文本依据。

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…

关注这篇论文的作者
Artsiom Patarusau
Nikita Puchkin
Maxim Rakhuba
Fedor Noskov

张量列结构下协方差估计的无维界

研究问题
研究问题:如何在高维独立同分布随机向量样本中估计协方差矩阵,并在协方差可被张量列(TT)格式的双 Kronecker 乘积之和逼近的结构假设下避免维数灾难。
方法与思路
方法思路:作者提出对协方差矩阵施加张量列结构假设,该设定推广了 Kronecker 和与 CANDECOMP/PARAFAC 模型;并给出基于 TT-SVD 与适配 Tucker-2 混合结构的高阶正交迭代(HOOI)的多项式时间迭代算法。
材料陈述的贡献
摘要所述贡献:提出可容纳跨模态更丰富交互的 TT 协方差结构,给出相应迭代算法,并推导考虑隐藏 Kronecker 乘积与张量列结构的非渐近无维估计精度界,附数值实验说明效果。
阅读关注点
阅读时应核对:TT 逼近假设的具体形式与可识别性条件、算法收敛性与计算复杂度论证、无维界的精确形式及其依赖的样本量与张量秩条件、数值实验的设置与对比基准。
阅读边界
摘要信息的边界:仅凭摘要无法判断假设合理性、定理证明细节、常数与秩依赖、实验可复现性;该文为 arXiv 预印本(版本 3),未经同行评审验证,不能据此声称已被期刊接收。

原文摘要

We consider a problem of covariance estimation from a sample of i.i.d. high-dimensional random vectors. To avoid the curse of dimensionality, we impose an additional assumption on the structure of the covariance matrix $Σ$. To be more precise, we study the case when $Σ$ can be approximated by a sum of double Kronecker products of smaller matrices in a tensor train (TT) format. Our setup naturally extends widely known Kronecker sum and CANDECOMP/PARAFAC models but admits richer interaction across modes. We suggest an iterative polynomial time algorithm based on TT-SVD and higher-order orthogonal iteration (HOOI) adapted to Tucker-2 hybrid structure. We derive non-asymptotic dimension-free bounds on the accuracy of covariance estimation taking into account hidden Kronecker product and tensor train structures. The efficiency of our approach is illustrated with numerical experiments.

笔记与分组