Robust Principal Component Analysis with Non-Sparse Errors
具有非稀疏误差的稳健主成分分析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：摘要仅研究通用数据矩阵的低秩恢复，主成分名称本身不足以证明经济因子模型或其他给定领域的适用性。
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…
关注这篇论文的作者
具有非稀疏误差的稳健主成分分析
- 研究问题
- 高维数据矩阵由低秩成分和独立随机误差叠加而成时，能否在误差不稀疏、甚至不存在矩的情况下恢复低秩成分？
- 方法与思路
- 作者通过凸最小化估计低秩矩阵，并提出新的理论论证，在不要求误差稀疏或存在任何矩的条件下建立一致性。
- 材料陈述的贡献
- 摘要称该理论允许柯西等厚尾连续误差，扩展了低秩恢复的一致性保证，并使用模拟展示所研究方法的表现。
- 阅读关注点
- 应核对凸目标函数、低秩矩阵与误差分布的其他限制，以及一致性的损失度量、维度增长方式和模拟设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要仍要求误差元素独立，且未说明其余条件与模拟数值结果。
原文摘要
We show that when a high-dimensional data matrix is the sum of a low-rank matrix and a random error matrix with independent entries, the low-rank component can be consistently estimated by solving a convex minimization problem. We develop a new theoretical argument to establish consistency without assuming sparsity or the existence of any moments of the error matrix, so that fat-tailed continuous random errors such as Cauchy are allowed. The results are illustrated by simulations.