.png){kind=icon}
返回
SOFARI: High-Dimensional Manifold-Based Inference
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2025.2529026.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多任务学习是一种广泛用于从各种任务中获取信息的技巧。最近，基于系数矩阵内稀疏奇异值分解（SVD）的稀疏正交因子回归（SOFAR）框架被引入用于可解释的多任务学习，能够发现不同层中有意义的潜在特征-响应关联网络。然而，由于继承了稀疏SVD约束的正交性约束，对潜在因子矩阵进行精确推断仍然具有挑战性。本文提出了一种新型方法，称为高维流形基础SOFAR推断（SOFARI），借鉴了Neyman近正交性推断，同时纳入了SVD约束施加的Stiefel流形结构。通过利用对推断至关重要的底层Stiefel流形结构，SOFARI为潜在左因子向量和奇异值提供了易于使用的偏差校正估计量，我们证明了这些估计量具有可估计方差的渐近均值为零的正态分布。我们引入了两种SOFARI变体，用于处理强正交和弱正交的潜在因子，其中后者涵盖了更广泛的应用范围。我们通过模拟示例和一个经济预测中的真实数据应用来说明SOFARI的有效性，并验证我们的理论结果。本文的补充材料可在网上获取，包括用于重现工作的材料的标准化描述。
Keyword:
Asymptotic distributions
High dimensionality
Multi-task learning
Neyman near-orthogonality
Orthogonality constraints
Sparse SVD
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
.png){kind=icon}
Large Bayesian vector autoregressions with stochastic volatility and non-conjugate priors具有随机波动率和非共轭先验的大贝叶斯向量自回归
OAAI
OAAI分享收藏
查看更多内容