We consider the problem of estimating the factors of a low-rank $n \times d$ matrix, when this is corrupted by additive Gaussian noise. A special example of our setting corresponds to clustering mixtures of Gaussians with equal (known) covariances. Simple spectral methods do not take into account the distribution of the entries of these factors and are therefore often suboptimal. Here, we characterize the asymptotics of the minimum estimation error under the assumption that the distribution of the entries is known to the statistician. Our results apply to the high-dimensional regime $n, d \to \infty$ and $d / n \to \infty$ (or $d / n \to 0$) and generalize earlier work that focused on the proportional asymptotics $n, d \to \infty$, $d / n \to \delta \in (0, \infty)$. We outline an interesting signal strength regime in which $d / n \to \infty$ and partial recovery is possible for the left singular vectors while impossible for the right singular vectors. We illustrate the general theory by deriving consequences for Gaussian mixture clustering and carrying out a numerical study on genomics data.


翻译:我们考虑的是估算低调 $\ time d$ 矩阵因素的问题,当这一因素被添加的高斯噪音腐蚀时,我们考虑的是估算低调 $\ time d$ d$ d times d$ 矩阵的因素。我们设置的特例是将高斯与(已知的)等量共差的混合物组合起来。简单的光谱方法没有考虑到这些因素条目的分布,因此往往不那么理想。在这里,我们根据统计员知道条目分布的假设,将最低估计错误描述为零点。我们的结果适用于高维系统 $, d\ to\ infty$ 和 $d/ n\ t\ to\ inty$ (或 $/ n\ 到 0美元) 的特殊例子。我们概述了一个有趣的信号强度制度, 美元/ n\ inty$, 和 $/ n\ t\ to\ inty$ (或 $d/ n\ n\ to\ inty$) \ infty$ (或 int) g) inty$ (或 $ $/ n\ fty) (或 $ n\ n\ n\ to g\ to fty) (或 $) $) (或 $) (或 $) 美元) 美元) 美元) (或 美元) (或 美元) 美元) 美元) (或 美元) (或 美元) 美元) 美元) (或 美元) (或 美元) 美元= 美元= 美元= 美元= 美元) 美元) (或 美元) (或 美元) 美元) 美元) (或 美元) 美元= 美元= 美元= 美元) 美元) 美元 (或 美元) (或 美元) 美元) 美元) (或 美元) (或 美元) (或 美元) 美元) 美元 (或 美元) (或 美元) 美元) 美元) (或 美元) 美元 (或 美元 (或 美元 (或 美元 (或 美元) 美元) 美元) (或 美元) 美元(或 美元) (或 美元) (或 美元) (美元) 美元) (美元) (美元) 美元) (或

0
下载
关闭预览

相关内容

不可错过!700+ppt《因果推理》课程!杜克大学Fan Li教程
专知会员服务
69+阅读 · 2022年7月11日
专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
123+阅读 · 2020年9月8日
专知会员服务
159+阅读 · 2020年1月16日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium7
中国图象图形学学会CSIG
0+阅读 · 2021年11月15日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年12月18日
VIP会员
相关资讯
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium7
中国图象图形学学会CSIG
0+阅读 · 2021年11月15日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员