行列時系列に対するモード別加法因子モデル

本論文は、行列値時系列に対する新しいModewise Additive Factor Model (MAFM)を導入し、TuckerやCPのような既存の乗法因子モデルよりも柔軟なアプローチを提供しています。主な革新は、加法構造にあり、行固有および列固有の潜在効果を個別にモデル化できます。この論文の貢献は、計算効率の高い推定手順（MINEとCOMPAS）と、収束率、漸近分布、および一貫した共分散推定器を含むデータ駆動型推論フレームワークを提供していることです。依存行列時系列の二次形式に対する行列Bernstein不等式の開発は、貴重な技術的貢献です。行列時系列分析に焦点を当てているため、金融、信号処理、レコメンデーションシステムなど、さまざまな分野に関連しています。