研究人员开发了一种从各向异性高斯随机几何图中恢复潜在内积的方法。该技术涉及使用双中心邻接矩阵和秩-d谱近似来估计这些内积，即使协方差矩阵病态也是如此。这种方法实现了与各向同性情况相当的均方误差率，并利用解耦论证来处理非线性误差项。 AI
影响 这项研究有助于加深对基于图的数据分析的理论理解，可能为未来依赖几何结构的AI模型提供信息。
排序理由 详细介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2607.23723v1 Announce Type: cross Abstract: We study the problem of recovering latent inner products from a random geometric graph with anisotropic Gaussian latent points. More precisely, for an i.i.d. sample $x_1, \dots, x_n \sim N(0,\Sigma)$ where $\Sigma \in \mathbb{R}^{…