潜变量精度矩阵估计新突破：精确恢复秩与惯性，样本需求仅p/ν²！
Robust Latent Variable Graphical Models: Exact Recovery and Fundamental Limits
📖 AI 总结
该论文研究高斯精度矩阵的稳健估计问题，其结构可分解为稀疏矩阵减去一个对称、可能不定的低秩矩阵，这一结构源于潜变量边缘化与线性测量条件化的结合。作者提出一种凸估计方法，用中心化高斯测度变换协方差替代样本协方差，并以同余变换的核范数惩罚低秩部分。核心结果是原始-对偶见证定理：在Fisher信息满足受限可逆性与不可表示性条件下，凸优化解唯一、无虚假边、能恢复足够强边的符号，并精确恢复真实秩与惯性。这些条件在低秩部分缺失时退化为图lasso条件，并可由原始的不相干性与近各向同性假设验证。作者进一步证明了Frobenius估计、符号图恢复与惯性恢复的信息论极限，其中惯性恢复所需样本量约为p/ν_min²，并量化了Huber污染下的稳健性，给出全局收敛的线性化ADMM算法。
🔑 关键词速览
| Gaussian precision matrix | 高斯精度矩阵，即高斯分布协方差矩阵的逆，描述变量间的条件依赖关系。 |
| Latent-variable marginalization | 潜变量边缘化，指对未观测的潜变量进行积分或求和，从而得到观测变量的边缘分布。 |
| Nuclear norm | 核范数，矩阵奇异值之和，常用作矩阵秩的凸松弛，用于低秩矩阵恢复。 |
| Primal-dual witness | 原始-对偶见证，一种用于证明凸优化估计器精确恢复性质的理论工具，通过构造对偶可行解来验证。 |
| Inertia | 惯性，指矩阵正、负、零特征值的个数，反映矩阵的定性性质。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅