Reduced Rank Stochastic Regression with a Sparse Singular value Decomposition
具有稀疏奇异值分解的降秩随机回归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：摘要研究通用多元降秩回归并应用于基因数据，未明确建立宏观或金融因子模型。
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…
具有稀疏奇异值分解的降秩随机回归
- 研究问题
- 多元降秩回归中，如何使系数矩阵的左右奇异向量具有稀疏性或平滑性，以支持预测准确性与结果解释？
- 方法与思路
- 作者提出正则化降秩回归，开发计算算法及正则参数选择方法，通过理论、模拟和基因表达数据双聚类考察方法。
- 材料陈述的贡献
- 摘要称所提正则化方法具有选择相合性、渐近正态性及预言性质，并提供算法、参数选择方法和双聚类应用。
- 阅读关注点
- 应核对秩与奇异向量的识别限制、稀疏和平滑惩罚形式、调参方式，以及选择相合性和预言性质的适用条件。
- 阅读边界
- 仅据 Crossref 所供摘要；维度增长、信号强度及理论条件未说明，预测改善的动机不能视为已验证的普遍优势。
原文摘要
Summary For a reduced rank multivariate stochastic regression model of rank r*, the regression coefficient matrix can be expressed as a sum of r* unit rank matrices each of which is proportional to the outer product of the left and right singular vectors. For improving predictive accuracy and facilitating interpretation, it is often desirable that these left and right singular vectors be sparse or enjoy some smoothness property. We propose a regularized reduced rank regression approach for solving this problem. Computation algorithms and regularization parameter selection methods are developed, and the properties of the new method are explored both theoretically and by simulation. In particular, the regularization method proposed is shown to be selection consistent and asymptotically normal and to enjoy the oracle property. We apply the proposed model to perform biclustering analysis with microarray gene expression data.