Alignment and matching tests for high-dimensional tensor signals via tensor contraction
基于张量收缩的高维张量信号对齐与匹配检验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：摘要研究一般高维张量信号检验，未说明其属于经济因子模型、金融风险或其他给定方向。
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
基于张量收缩的高维张量信号对齐与匹配检验
- 研究问题
- 面对低秩、高维张量信号，如何构造用于信号对齐与匹配的假设检验，并处理张量收缩后矩阵元素的长程依赖？
- 方法与思路
- 作者利用张量收缩生成数据矩阵，以其特征值构造并验证检验统计量，同时分析长程依赖造成的不同于标准随机矩阵理论的困难。
- 材料陈述的贡献
- 摘要称论文为两类高维张量信号检验提出相关统计量，并提供一个利用张量收缩及矩阵谱信息开展假设检验的新框架。
- 阅读关注点
- 应核对对齐与匹配的原假设、张量信号及噪声模型、维度和秩的限制，以及长程依赖下统计量的校准与验证方式。
- 阅读边界
- 仅依据所给 Crossref 摘要。摘要未说明检验的精确条件、极限分布、检测能力或数值结果，不能判断相对现有方法的优势。
原文摘要
We consider two hypothesis testing problems for low-rank and high-dimensional tensor signals, namely the tensor signal alignment and tensor signal matching problems. These problems are challenging due to the high dimension of tensors and the lack of suitable test statistics. By exploiting a recent tensor contraction method, we propose and validate relevant test statistics using eigenvalues of a data matrix resulting from the tensor contraction. The matrix entries exhibit long-range dependence, which makes the analysis of the matrix challenging, involved, and distinct from standard random matrix theory. Our approach provides a novel framework for addressing hypothesis testing problems in the context of high-dimensional tensor signals.