Structured Matrix Completion with Applications to Genomic Data Integration
结构化矩阵补全及其基因组数据整合应用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：摘要研究通用矩阵补全并应用于基因组整合，低秩结构本身不足以归入宏观因子或金融因子模型。
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
结构化矩阵补全及其基因组数据整合应用
- 研究问题
- 当缺失由研究设计造成、仅观测近似低秩矩阵的部分行列时，如何有效恢复矩阵并整合测量范围不同的基因组研究？
- 方法与思路
- 作者提出针对结构化缺失的矩阵补全框架，通过估计误差下界与理论分析刻画恢复率，再开展模拟和卵巢癌数据应用。
- 材料陈述的贡献
- 摘要称方法在某些近似低秩矩阵类上达到最优恢复率；模拟表现良好，基因组整合应用得到更准确的生存预测规则。
- 阅读关注点
- 应核对观测行列的结构、低秩近似和可恢复条件、最优率对应的矩阵类，以及生存预测改进采用的评估设计。
- 阅读边界
- 依据版本未注明的 Europe PMC/PubMed 摘要；矩阵类、误差率和预测指标未展开，不能推断任意缺失模式下的最优性。
原文摘要
Matrix completion has attracted significant recent attention in many fields including statistics, applied mathematics and electrical engineering. Current literature on matrix completion focuses primarily on independent sampling models under which the individual observed entries are sampled independently. Motivated by applications in genomic data integration, we propose a new framework of structured matrix completion (SMC) to treat structured missingness by design. Specifically, our proposed method aims at efficient matrix recovery when a subset of the rows and columns of an approximately low-rank matrix are observed. We provide theoretical justification for the proposed SMC method and derive lower bound for the estimation errors, which together establish the optimal rate of recovery over certain classes of approximately low-rank matrices. Simulation studies show that the method performs well in finite sample under a variety of configurations. The method is applied to integrate several ovarian cancer genomic studies with different extent of genomic measurements, which enables us to construct more accurate prediction rules for ovarian cancer survival.