Optimal Sparse Singular Value Decomposition for High-Dimensional High-Order Data
高维高阶数据的最优稀疏奇异值分解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：摘要研究通用稀疏张量降维；纵向死亡率示例不足以将其归入面板或其他给定细分。
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
高维高阶数据的最优稀疏奇异值分解
- 研究问题
- 如何利用高维高阶数据中的稀疏结构进行张量降维，并刻画奇异值分解估计精度的可达界限与最优速率？
- 方法与思路
- 作者提出稀疏张量交替阈值算法STAT-SVD，通过双重投影与阈值处理，为每轮迭代提供阈值选择准则。
- 材料陈述的贡献
- 摘要称该方法在较弱假设下改善估计稳健性，并建立误差上下界，在一类一般情形中达到极小极大最优速率。
- 阅读关注点
- 应核对稀疏结构、张量秩与信号条件，双重投影的作用，以及最优性覆盖的参数空间和死亡率数据分析方式。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；较弱假设的具体含义、最优性条件和模拟数值均未提供，不能推断刊本变化。
原文摘要
In this article, we consider the sparse tensor singular value decomposition, which aims for dimension reduction on high-dimensional high-order data with certain sparsity structure. A method named sparse tensor alternating thresholding for singular value decomposition (STAT-SVD) is proposed. The proposed procedure features a novel double projection & thresholding scheme, which provides a sharp criterion for thresholding in each iteration. Compared with regular tensor SVD model, STAT-SVD permits more robust estimation under weaker assumptions. Both the upper and lower bounds for estimation accuracy are developed. The proposed procedure is shown to be minimax rate-optimal in a general class of situations. Simulation studies show that STAT-SVD performs well under a variety of configurations. We also illustrate the merits of the proposed procedure on a longitudinal tensor dataset on European country mortality rates. Supplementary materials for this article are available online.