Curse of Heterogeneity: Computational Barriers in Sparse Mixture Models and Phase Retrieval
异质性的诅咒：稀疏混合模型与相位恢复的计算障碍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：摘要研究通用高维混合模型的统计与计算下界，未明确涉及所列经济或金融应用方向。
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…
异质性的诅咒：稀疏混合模型与相位恢复的计算障碍
- 研究问题
- 在高维异质数据模型中，统计精度与计算可行性之间存在怎样的取舍，计算可行算法需要多强的信号才能有效完成任务？
- 方法与思路
- 作者在基于 oracle 的计算模型中研究稀疏高斯混合、稀疏回归混合及相位恢复，建立计算可行的极小极大下界。
- 材料陈述的贡献
- 摘要称，计算可行风险与经典风险存在显著差距，结果覆盖检测、估计、支持恢复和聚类，并指出更多数据可能降低计算复杂度。
- 阅读关注点
- 应核对 oracle 模型允许的查询、计算预算与风险定义，以及信号阈值和下界适用范围，理解更多数据降低复杂度的具体含义。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出完整下界条件，不能将特定计算模型结论直接推广到所有算法。
原文摘要
We study the fundamental tradeoffs between statistical accuracy and computational tractability in the analysis of high dimensional heterogeneous data. As examples, we study sparse Gaussian mixture model, mixture of sparse linear regressions, and sparse phase retrieval model. For these models, we exploit an oracle-based computational model to establish conjecture-free computationally feasible minimax lower bounds, which quantify the minimum signal strength required for the existence of any algorithm that is both computationally tractable and statistically accurate. Our analysis shows that there exist significant gaps between computationally feasible minimax risks and classical ones. These gaps quantify the statistical price we must pay to achieve computational tractability in the presence of data heterogeneity. Our results cover the problems of detection, estimation, support recovery, and clustering, and moreover, resolve several conjectures of Azizyan et al. (2013, 2015); Verzelen and Arias-Castro (2017); Cai et al. (2016). Interestingly, our results reveal a new but counter-intuitive phenomenon in heterogeneous data analysis that more data might lead to less computation complexity.