.png){kind=icon}
返回
Tensor Completion using Subspace Information
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2026.2740825.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
张量补全在应用和理论研究领域均引起了广泛关注。在标准均匀采样下，现有多项式时间保证通常要求观测数量多于自由度数量，这促使研究高度缺失情况下可能存在的统计-计算差距。幸运的是，在许多实际场景中，存在可用侧信息，能够为缓解这些挑战提供宝贵见解。本文介绍了一种名为基于子空间信息的张量补全（TCSI）的算法，该算法通过估计子空间引入侧信息。我们的方法首先从可用侧信息中提取子空间，然后将张量补全重新表述为矩阵回归问题。我们进行理论分析表明，当存在准确子空间信息时，所需的样本复杂度可降低至未耦合环境维度的近线性阶，从主导项中消除了耦合模式维度。借助估计的子空间信息，我们获得了比现有几种被动-均匀采样保证更宽松的充分信噪比要求。在附加温和条件下，我们获得了更精确的统计误差界。我们的理论发现得到了数值模拟的支持。我们将TCSI应用于全球总电子含量（TEC）图的重建，并在实验中观察到比比较方法更低的重建误差。
Keyword:
Low-rank tensor completion
Side information
Tucker decomposition
Non-convex optimization
High-dimensional statistics
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
分享收藏TENSOR CLUSTERING WITH PLANTED STRUCTURES: STATISTICAL OPTIMALITY AND COMPUTATIONAL LIMITS.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏THE TWO-TO-INFINITY NORM AND SINGULAR SUBSPACE GEOMETRY WITH APPLICATIONS TO HIGH-DIMENSIONAL STATISTICS二到无穷范数和奇异子空间几何及其在高维统计中的应用ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏COMPUTATIONALLY EFFICIENT AND STATISTICALLY OPTIMAL ROBUST HIGH-DIMENSIONAL LINEAR REGRESSIONANNALS OF STATISTICS
ANNALS OF STATISTICSIF3.7
PREAI
分享收藏
查看更多内容