Geometric inference for general high-dimensional linear inverse problems
一般高维线性逆问题的几何推断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：摘要讨论通用高维线性逆问题，未直接涉及经济结构模型、因子模型或所列其他细分。
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…
一般高维线性逆问题的几何推断
- 研究问题
- 论文研究高维病态线性逆模型中，如何在统一框架下开展可计算的估计、置信区间与假设检验，并刻画推断难度。
- 方法与思路
- 作者提出可计算的凸规划，借助局部锥几何和对偶性分析收敛率与推断保证，以高斯宽度及 Sudakov 估计刻画切锥。
- 材料陈述的贡献
- 摘要称，该框架覆盖压缩感知、符号向量恢复、矩阵补全等问题，并给出局部估计收敛率和统计推断保证的几何刻画。
- 阅读关注点
- 读全文时应核对线性观测与噪声条件、局部切锥定义和凸规划的构造，并查明置信区间及检验保证所需的额外条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未给出具体误差率、覆盖条件或计算成本，不能把通用框架视为所有逆问题的保证。
原文摘要
This paper presents a unified geometric framework for the statistical analysis of a general ill-posed linear inverse model which includes as special cases noisy compressed sensing, sign vector recovery, trace regression, orthogonal matrix estimation and noisy matrix completion. We propose computationally feasible convex programs for statistical inference including estimation, confidence intervals and hypothesis testing. A theoretical framework is developed to characterize the local estimation rate of convergence and to provide statistical inference guarantees. Our results are built based on the local conic geometry and duality. The difficulty of statistical inference is captured by the geometric characterization of the local tangent cone through the Gaussian width and Sudakov estimate.