Exact Schur-Sylvester Dimensionality Reductions for Non-Smooth Stochastic Complexity and Manifold Sampling
非光滑随机复杂度的精确 Schur-Sylvester 降维与流形采样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：摘要聚焦 NML 码长计算、流形采样与矩阵降维等统计计算方法，未涉及所列因果推断、面板、时间序列、资产定价等计量领域细分，故不选择。
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
非光滑随机复杂度的精确 Schur-Sylvester 降维与流形采样
- 研究问题
- 摘要称，针对 Lasso 等非光滑正则估计量的归一化最大似然（NML）码长精确计算，长期受制于流形约束投影与体积积分的立方复杂度瓶颈；本文关注如何精确且高效地完成此类计算。
- 方法与思路
- 作者提出利用分块 Schur 补与 Sylvester 行列式恒等式，构造与原问题数学等价的精确表述，从而绕开投影算子中广义 KKT 矩阵求逆与体积因子中 Gram 行列式两个瓶颈，并推广到稀疏 SVM、Elastic Net 与 Group Lasso。
- 材料陈述的贡献
- 摘要称，两种操作的单步复杂度由 O(N^3) 降至 O(k^3+N^2k)，并给出数值稳定性分析与以每秒有效样本量衡量的采样效率评估；高维数据基准显示超过 14,100 倍的常数加速且保持双精度数值等价。
- 阅读关注点
- 应核对复杂度推导与等价性证明的假设条件、数值稳定性分析的具体结论、ESS 指标的定义与实验设置，以及加速倍数是否依赖特定数据规模或稀疏度。
- 阅读边界
- 仅凭摘要无法判断定理证明的严谨性、实验可复现性与实际适用范围；摘要未说明具体数据集、参数设置与对照方法。该文为 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
The exact computation of the Normalized Maximum Likelihood (NML) codelength for regular non-smooth estimators (e.g., Lasso) has been historically limited by the cubic scaling walls of manifold-constrained projection and volume integration. At each step of the geometric Propose-and-Project Metropolis--Hastings (PPMH) sampler, evaluating the projection operator requires inverting an $(N+k) \times (N+k)$ generalized KKT matrix, while calculating the volume factor requires the determinant of an $(N-k) \times (N-k)$ Gram matrix. This paper presents an exact, mathematically equivalent formulation that bypasses both bottlenecks by utilizing the block Schur complement and Sylvester's determinant identity. We prove that the computational complexity of both operations collapses from $\mathcal{O}(N^3)$ to $\mathcal{O}(k^3 + N^2 k)$ per step. We generalize this reduction to Sparse Support Vector Machines (SVMs), Elastic Net, and Group Lasso. Finally, we provide a rigorous numerical stability analysis and evaluate the sampler's efficiency using the Effective Sample Size (ESS) per second. Our empirical benchmarks on high-dimensional datasets confirm a constant speedup exceeding $14{,}100\times$ while maintaining double-precision numerical equivalence, rendering exact non-smooth NML estimation highly tractable for large-scale statistical inference.