Pseudo-maximum likelihood theory for high-dimensional rank one inference
高维秩一推断的伪最大似然理论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：摘要明确将社区检测列为理论覆盖的估计任务，提供网络分析方向的应用依据。
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…
高维秩一推断的伪最大似然理论
- 研究问题
- 高维秩一矩阵估计的伪最大似然极限及估计性能如何刻画，不同估计任务之间能否建立统一的等价关系？
- 方法与思路
- 作者建立极限伪最大似然的变分原理，利用由零模型确定的四个参数描述普适性，并连接多类尖峰矩阵估计任务。
- 材料陈述的贡献
- 摘要称，该原理可刻画估计性能并建立任务等价性，还据此给出秩一问题中最小二乘估计性能的完整描述。
- 阅读关注点
- 应核对零模型、四个参数和等价性的定义，以及普适性成立的模型范围和最小二乘性能描述所需条件。
- 阅读边界
- 仅据所给 Crossref 摘要；高维极限、模型条件及性能公式未说明，不能将摘要中的普适性扩展到任意矩阵模型。
原文摘要
We develop a pseudo-likelihood theory for rank one matrix estimation problems in the high-dimensional limit. We prove a variational principle for the limiting pseudo-maximum likelihood, which also characterizes the performance of the corresponding pseudo-maximum likelihood estimator. We show that this variational principle is universal and depends only on four parameters determined by the corresponding null model. Through this universality, we introduce a notion of equivalence for estimation problems of this type and, in particular, show that a broad class of estimation tasks, including community detection, sparse submatrix detection and nonlinear spiked matrix models, are equivalent to spiked matrix models. As an application, we obtain a complete description of the performance of the least-squares (or “best rank one”) estimator for any rank one matrix estimation problem.