CP-factorization for high dimensional tensor time series and double projection iterations
高维张量时间序列的 CP 因子分解与双投影迭代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：摘要明确在高维张量时间序列中使用 CP 因子模型，并以序列依赖识别和估计因子载荷。
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…
高维张量时间序列的 CP 因子分解与双投影迭代
- 研究问题
- 在高维张量时间序列中，如何识别并估计 CP 分解的因子载荷，允许因子相关、载荷不近似正交，同时处理稀疏与弱因子？
- 方法与思路
- 作者利用序列依赖构造矩阵，以特征分析完成单遍估计，再用双投影迭代降低误差，并估计渐近方差以支持相关推断。
- 材料陈述的贡献
- 摘要称在线性独立载荷条件下建立一般渐近结果，证明迭代估计的收敛率改进并给出极限分布，以模拟和两个真实应用验证。
- 阅读关注点
- 核对因子载荷的识别与归一化、序列依赖和弱因子条件，以及双投影初始化、停止规则和渐近方差估计的一致性要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未给出具体速率、样本规模和应用内容，不能量化误差下降或实践优势。
原文摘要
We adopt the canonical polyadic (CP) decomposition to model high-dimensional tensor time series. Our primary goal is to identify and estimate the factor loadings in the CP decomposition. We propose a one-pass estimation procedure through standard eigen-analysis for a matrix constructed based on the serial dependence structure of the data. The asymptotic properties of the proposed estimator are established under a general setting as long as the factor loading vectors are linearly independent, allowing the factors to be correlated and the factor loading vectors to be not nearly orthogonal. The procedure adapts to the sparsity of the factor loading vectors, accommodates weak factors, and demonstrates strong performance across a wide range of scenarios. To further reduce estimation errors, we also introduce an iterative algorithm based on a novel double projection approach. We theoretically justify the improved convergence rate of the iterative estimator, and derive the associated limiting distribution. A consistent estimator of the asymptotic variance is also provided, which plays a key role in the related inference problems. All results are validated through extensive simulations and two real data applications.