Statistical and computational trade-offs in estimation of sparse principal components
稀疏主成分估计中的统计与计算权衡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：稀疏主成分属于通用降维理论，摘要未明确研究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…
稀疏主成分估计中的统计与计算权衡
- 研究问题
- 估计总体协方差矩阵的稀疏首特征向量时，最小极大统计精度与多项式时间计算之间是否存在根本冲突？
- 方法与思路
- 作者在满足受限协方差集中条件的分布类上，借助计算复杂性假设建立限制，并研究半正定松弛估计量的变体。
- 材料陈述的贡献
- 摘要称在特定有效样本量区间内，随机多项式时间算法无法达到最小极大速率，揭示统计与计算效率的权衡。
- 阅读关注点
- 应核对复杂性假设、分布类、有效样本量区间及损失定义，并查看半正定松弛变体的统计保证与计算成本。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；计算限制依赖未展开的复杂性假设和分布类，不能视为无条件的不可能性。
原文摘要
In recent years, sparse principal component analysis has emerged as an extremely popular dimension reduction technique for high-dimensional data. The theoretical challenge, in the simplest case, is to estimate the leading eigenvector of a population covariance matrix under the assumption that this eigenvector is sparse. An impressive range of estimators have been proposed; some of these are fast to compute, while others are known to achieve the minimax optimal rate over certain Gaussian or sub-Gaussian classes. In this paper, we show that, under a widely-believed assumption from computational complexity theory, there is a fundamental trade-off between statistical and computational performance in this problem. More precisely, working with new, larger classes satisfying a restricted covariance concentration condition, we show that there is an effective sample size regime in which no randomised polynomial time algorithm can achieve the minimax optimal rate. We also study the theoretical performance of a (polynomial time) variant of the well-known semidefinite relaxation estimator, revealing a subtle interplay between statistical and computational efficiency.