Average-SVD

新方法改进了跨噪声矩阵的共享奇异子空间估计

研究人员开发了跨多个噪声矩阵估计共享奇异子空间的新方法，这对于数据集成和多视图分析至关重要。该研究比较了两种方法：Stack-SVD（连接矩阵）和Average-SVD（使用奇异向量矩阵）。理论分析表明，当子空间相同时，Stack-SVD是最优的，但在部分共享时可能不是最优的。本文介绍了新颖的估计器和一种高效的算法，即使在部分共享的情况下也能达到minimax速率最优，并通过模拟和实际应用进行了验证。