Inference and Uncertainty Quantification for Noisy Matrix Completion
含噪矩阵补全的推断与不确定性量化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：摘要涉及通用矩阵补全、低秩因子和统计推断，未明确经济因子或面板结构，因此没有充分依据归入给定细分。
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…
含噪矩阵补全的推断与不确定性量化
- 研究问题
- 通过部分受污染元素估计低秩矩阵后，如何量化未知元素和低秩因子的不确定性，并构造有效且较短的置信区间？
- 方法与思路
- 作者对常用凸与非凸估计量进行去偏，利用两类优化之间的联系建立非渐近分布刻画，无需样本拆分即可开展推断。
- 材料陈述的贡献
- 摘要称去偏估计支持最优置信区间或区域，并达到包括常数项在内的完全统计效率；这些属于作者的理论主张。
- 阅读关注点
- 应核对观测机制、噪声与低秩条件、去偏公式，以及最优区间和完全统计效率分别针对哪些对象与基准成立。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明分布近似误差和适用条件，不能独立验证效率主张。
原文摘要
Noisy matrix completion aims at estimating a low-rank matrix given only partial and corrupted entries. Despite substantial progress in designing efficient estimation algorithms, it remains largely unclear how to assess the uncertainty of the obtained estimates and how to perform statistical inference on the unknown matrix (e.g.~constructing a valid and short confidence interval for an unseen entry). This paper takes a step towards inference and uncertainty quantification for noisy matrix completion. We develop a simple procedure to compensate for the bias of the widely used convex and nonconvex estimators. The resulting de-biased estimators admit nearly precise non-asymptotic distributional characterizations, which in turn enable optimal construction of confidence intervals\,/\,regions for, say, the missing entries and the low-rank factors. Our inferential procedures do not rely on sample splitting, thus avoiding unnecessary loss of data efficiency. As a byproduct, we obtain a sharp characterization of the estimation accuracy of our de-biased estimators, which, to the best of our knowledge, are the first tractable algorithms that provably achieve full statistical efficiency (including the preconstant). The analysis herein is built upon the intimate link between convex and nonconvex optimization --- an appealing feature recently discovered by \cite{chen2019noisy}.