A Generalized Latent Factor Model Approach to Mixed-data Matrix Completion with Entrywise Consistency
具有逐元素一致性的混合数据矩阵补全：广义潜因子模型方法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：摘要研究通用混合数据矩阵补全与潜因子模型，应用为推荐和教育测评，没有证据将其归入宏观或金融因子方向。
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
具有逐元素一致性的混合数据矩阵补全：广义潜因子模型方法
- 研究问题
- 对同时含连续、二元和有序变量的缺失矩阵，如何利用低秩结构预测缺失项，并为各个矩阵元素提供估计保证？
- 方法与思路
- 作者在一般非线性因子模型族下，将混合数据补全表述为低秩矩阵估计，提出逐元素一致估计器并推导概率误差界。
- 材料陈述的贡献
- 摘要称，所提估计器具有逐元素一致性与紧的概率误差界，并通过模拟、协同过滤和大规模教育测评应用进行评价。
- 阅读关注点
- 应核对缺失机制、不同变量类型的模型连接、低秩与因子可识别条件，以及逐元素一致性针对潜在矩阵还是实际观测值。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列缺失机制和误差界条件，也未给出应用表现的具体数值。
原文摘要
Matrix completion is a class of machine learning methods that concerns the prediction of missing entries in a partially observed matrix. This paper studies matrix completion for mixed data, i.e., data involving mixed types of variables (e.g., continuous, binary, ordinal). We formulate it as a low-rank matrix estimation problem under a general family of non-linear factor models and then propose entrywise consistent estimators for estimating the low-rank matrix. Tight probabilistic error bounds are derived for the proposed estimators. The proposed methods are evaluated by simulation studies and real-data applications for collaborative filtering and large-scale educational assessment.