跳转至

Conformalized Tensor Completion with Riemannian Optimization

作者: Hu Sun, Yang Chen
来源: Journal of Computational and Graphical Statistics
主题: 统计计算 / 算法
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

本文研究的根本问题是：如何为张量补全（tensor completion）的预测值提供有统计保证的不确定性量化（UQ）。张量补全本身是一个成熟的方向——给定部分观测到的多维数组，估计缺失条目。但绝大多数已有工作只给出点估计（一个数值），不提供该估计的不确定性度量（如置信区间）。本文试图填补这个缺口，将 split conformal prediction 框架引入张量补全，从而为每个缺失条目的预测值构造一个有限样本有效的预测区间。这个子方向（张量补全的 UQ）目前处于早期阶段——conformal prediction 在低维回归中已成熟，但在高维张量设定下如何适配缺失机制、如何保证覆盖率的有限样本性质，仍是开放问题。

发展脉络（history）

从 introduction 和参考文献中，可以梳理出以下发展脉络：

  1. 奠基工作：张量补全的点估计方法。Liu et al. (2012) 和 Yuan & Zhang (2016) 是低秩张量补全的早期理论工作，建立了在核范数正则化下的估计误差界。这些工作只关心点估计的收敛速度，不涉及 UQ。作者引用它们时，定位为“sufficient efforts have been spared on devising scalable tensor completion algorithms, but few on quantifying the uncertainty of the estimator”——即点估计方法已充分发展，UQ 是缺口。

  2. 主要进展：conformal prediction 的兴起。Vovk et al. (2005) 提出 conformal prediction 框架，Lei et al. (2018) 将其推广到 split conformal prediction，使其计算上可行。这些工作为任意预测方法提供有限样本有效的预测区间，但主要应用于低维回归和分类。作者引用它们时，定位为“split conformal prediction is a distribution-free method for constructing prediction intervals with finite-sample coverage guarantees”——即这是一个通用框架，但尚未被应用于张量补全。

  3. 当前 frontier：将 conformal prediction 应用于高维/结构化问题。Barber et al. (2021) 将 conformal prediction 应用于矩阵补全，提出了一个基于 missing-at-random 假设的框架。这是最接近本文的工作。作者引用它时，定位为“Barber et al. (2021) proposed a conformal prediction framework for matrix completion under the missing-at-random assumption”——即矩阵补全的 UQ 已有工作，但张量补全（更高维、更复杂的缺失结构）尚未被处理。

  4. 本文的位置：作者将 split conformal prediction 从矩阵补全推广到张量补全，并且将缺失机制从 missing-at-random 推广到更一般的张量 Ising 模型（允许缺失概率依赖于其他条目的观测状态）。这是本文的核心贡献。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索 A：张量补全的点估计方法（Liu et al. 2012; Yuan & Zhang 2016; 以及其他低秩张量补全文献）。这一簇在做什么：设计算法（如核范数最小化、Riemannian 优化）来估计缺失条目，并证明估计误差的收敛速度。它们不提供 UQ。

  • 线索 B：conformal prediction 及其在高维问题中的应用（Vovk et al. 2005; Lei et al. 2018; Barber et al. 2021）。这一簇在做什么：构造分布自由的预测区间，并证明有限样本覆盖保证。Barber et al. (2021) 是矩阵补全的特例，本文是张量补全的推广。

这个方向在追问的核心问题

  1. 如何将 conformal prediction 适配到缺失数据设定？ 标准 conformal prediction 假设训练数据和测试数据独立同分布，但缺失数据设定下，测试条目的“真实值”是未观测的，需要先估计缺失倾向。
  2. 缺失机制应该怎么建模？ 是假设 missing-at-random（如 Barber et al. 2021），还是允许更复杂的依赖结构（如本文的张量 Ising 模型）？
  3. 如何保证 conformal interval 的覆盖性质在张量设定下仍然成立？ 标准 conformal prediction 的覆盖保证依赖于 exchangeability，但在张量补全中，由于缺失机制和估计误差的交互，exchangeability 可能被破坏。
  4. 计算上如何实现？ 张量补全本身已是高维问题，加上 UQ 后计算负担更大，需要可扩展的算法。

已知瓶颈：conformal prediction 的覆盖保证依赖于“非一致性分数”（nonconformity score）的 exchangeability。在缺失数据设定下，如果缺失机制不是完全随机的，exchangeability 可能不成立，导致覆盖保证失效。本文通过将缺失倾向估计纳入 conformal 框架来绕过这个瓶颈。

⚠️ 作者的 framing

作者把缺口 frame 成：“张量补全的 UQ 问题可以转化为一个缺失倾向估计问题，而缺失倾向可以用张量 Ising 模型 + 低秩假设来建模。” 这样，本文就成为“显然的下一步”：既然矩阵补全的 UQ 已有工作（Barber et al. 2021），那么推广到张量是自然的；既然 missing-at-random 假设太强，那么用张量 Ising 模型来放松它是合理的。

被淡化或回避的竞争路线： - 作者没有讨论贝叶斯张量补全方法（如 Bayesian CP decomposition），这些方法天然提供后验不确定性。作者可能认为贝叶斯方法依赖于先验选择，且后验覆盖性质难以保证有限样本有效性。 - 作者没有讨论bootstrap 或 jackknife方法在张量补全中的应用。这些方法计算上更昂贵，但可能提供另一种 UQ 途径。

什么明显该被引/该存在、却没出现在 intro 里？ - 没有引用张量补全的 minimax 理论（如 Zhang & Xia 2018 关于低秩张量估计的 minimax 下界）。这些工作与 UQ 直接相关，因为覆盖区间的宽度应与 minimax 估计误差相匹配。 - 没有引用conformal prediction 在时间序列/非独立数据上的推广（如 Chernozhukov et al. 2018 的 conformalized quantile regression 或 Stankeviciute et al. 2021 的 sequential conformal prediction）。张量数据通常具有空间/时间结构，这些推广可能更相关。

张力：未见明显对立引用。Barber et al. (2021) 和本文是同一路线的推广关系，没有矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - 张量：\(\mathcal{X} \in \mathbb{R}^{n_1 \times n_2 \times \cdots \times n_K}\) 是一个 \(K\) 阶张量，其中 \(n_1, n_2, \ldots, n_K\) 是各维度的长度。本文主要考虑 \(K=3\) 的情况（如 TEC 数据是时间 × 纬度 × 经度），但方法适用于任意 \(K\)。 - 观测指标：\(\Omega \subseteq [n_1] \times [n_2] \times \cdots \times [n_K]\) 是观测到的条目集合。\(\Omega^c\) 是缺失条目集合。 - 可观测数据：\(\mathcal{X}_\Omega = \{x_{i_1 i_2 \ldots i_K} : (i_1, i_2, \ldots, i_K) \in \Omega\}\)，即观测到的张量条目。缺失条目 \(\mathcal{X}_{\Omega^c}\) 是未观测的，是我们要预测的目标。 - 缺失指示张量：\(\mathcal{M} \in \{0, 1\}^{n_1 \times n_2 \times \cdots \times n_K}\)，其中 \(m_{i_1 i_2 \ldots i_K} = 1\) 表示该条目被观测到，\(0\) 表示缺失。\(\Omega = \{(i_1, \ldots, i_K) : m_{i_1 \ldots i_K} = 1\}\)。 - 参数：\(\Theta \in \mathbb{R}^{n_1 \times n_2 \times \cdots \times n_K}\) 是张量 Ising 模型的参数张量。假设 \(\Theta\) 是低秩的，即 \(\text{rank}(\Theta) \leq r\)（这里的 rank 是 CP rank 或 Tucker rank，本文使用 CP rank）。 - 估计量：\(\hat{\Theta}\) 是 \(\Theta\) 的估计，通过最大伪似然估计（MPLE）得到。\(\hat{\mathcal{X}}\) 是 \(\mathcal{X}\) 的补全估计，通过低秩张量补全算法得到。 - 预测区间：\(\hat{C}_{i_1 \ldots i_K}\) 是缺失条目 \(x_{i_1 \ldots i_K}\) 的 \((1-\alpha)\) 预测区间。

模型： - 缺失机制：\(\mathcal{M}\) 服从一个张量 Ising 模型。具体地，给定参数张量 \(\Theta\)，\(\mathcal{M}\) 的分布为：

\[P(\mathcal{M} = \mathbf{m}) \propto \exp\left( \sum_{(i_1, \ldots, i_K)} \theta_{i_1 \ldots i_K} m_{i_1 \ldots i_K} + \beta \sum_{(i_1, \ldots, i_K) \sim (j_1, \ldots, j_K)} m_{i_1 \ldots i_K} m_{j_1 \ldots j_K} \right)\]
其中 \(\beta\) 是交互参数（控制相邻条目之间的依赖），\(\sim\) 表示相邻关系（如空间或时间相邻）。这个模型允许缺失概率依赖于其他条目的观测状态，比 missing-at-random 更一般。 - 低秩假设：\(\Theta\) 是低秩的，即 \(\Theta = \sum_{t=1}^r \mathbf{a}_t^{(1)} \circ \mathbf{a}_t^{(2)} \circ \cdots \circ \mathbf{a}_t^{(K)}\)，其中 \(\circ\) 表示外积，\(\mathbf{a}_t^{(k)} \in \mathbb{R}^{n_k}\)。这个假设使问题可处理——否则 \(\Theta\) 有 \(\prod n_k\) 个参数，无法估计。 - 补全模型：\(\mathcal{X}\) 本身也是低秩的（这是张量补全的标准假设），但本文的 UQ 方法不依赖于 \(\mathcal{X}\) 的具体补全算法——只要有一个点估计 \(\hat{\mathcal{X}}\) 即可。

可观测数据： - 研究者实际能观测到的是：\(\mathcal{X}_\Omega\)（部分张量条目）和 \(\mathcal{M}\)（哪些条目被观测到）。注意 \(\mathcal{M}\) 是完全可观测的——我们知道每个条目是否被观测到。 - 想要但观测不到的是：\(\mathcal{X}_{\Omega^c}\)（缺失条目）和 \(\Theta\)（缺失机制参数）。\(\Theta\) 只能通过 \(\mathcal{M}\) 来估计。

第二步：讲最小内核

最简特例：考虑 \(K=2\)（矩阵补全），\(n_1 = n_2 = n\)，且 \(\beta = 0\)（即无交互项，缺失是独立的）。此时张量 Ising 模型退化为一个逻辑回归模型：

\[P(m_{ij} = 1) = \frac{\exp(\theta_{ij})}{1 + \exp(\theta_{ij})}\]
其中 \(\Theta \in \mathbb{R}^{n \times n}\) 是低秩的（\(\text{rank}(\Theta) \leq r\)）。这就是 Barber et al. (2021) 的设定。

在这个特例下，本文的核心思路是： 1. 估计缺失倾向：用 MPLE 估计 \(\Theta\)，得到 \(\hat{\Theta}\)。由于 \(\Theta\) 是低秩的，MPLE 在低秩流形上优化。 2. 构造非一致性分数：对于每个观测到的条目 \((i,j) \in \Omega\)，计算非一致性分数 \(s_{ij} = |x_{ij} - \hat{x}_{ij}|\)，其中 \(\hat{x}_{ij}\) 是补全估计。 3. 加权 conformal 预测：对于缺失条目 \((i',j') \in \Omega^c\)，其预测区间为：

\[\hat{C}_{i'j'} = \hat{x}_{i'j'} \pm \hat{q}_{1-\alpha}(\{s_{ij} / \hat{\pi}_{ij} : (i,j) \in \Omega\})\]
其中 \(\hat{\pi}_{ij} = \exp(\hat{\theta}_{ij}) / (1 + \exp(\hat{\theta}_{ij}))\) 是估计的缺失倾向，\(\hat{q}_{1-\alpha}\) 是加权经验分位数（权重为 \(1/\hat{\pi}_{ij}\)）。

为什么这个特例抓住了核心：即使在这个最简特例下，conformal 覆盖保证的证明也需要处理两个关键问题：(a) 缺失倾向估计 \(\hat{\Theta}\) 的误差如何影响区间覆盖；(b) 加权 conformal 预测的 exchangeability 条件是否仍然成立。本文的一般情形（\(K \geq 3\)，\(\beta \neq 0\)）只是在这个特例上增加了张量结构和交互项，核心数学困难是一样的。

核心命题（在这个特例下）：如果 \(\hat{\Theta}\) 是 \(\Theta\) 的一致估计（即 \(\|\hat{\Theta} - \Theta\|_F = o_P(1)\)），且补全估计 \(\hat{\mathcal{X}}\) 是 \(\mathcal{X}\) 的一致估计，那么加权 conformal 预测区间 \(\hat{C}_{i'j'}\) 的覆盖概率渐近地至少为 \(1-\alpha\)。证明的关键是：加权后的非一致性分数 \(\{s_{ij} / \hat{\pi}_{ij}\}\) 在缺失条目上的分布近似于在观测条目上的分布，从而 exchangeability 近似成立。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究张量补全的不确定性量化问题，将 split conformal prediction 框架嵌套进张量补全，把 UQ 问题转化为对每个张量条目缺失倾向的估计。
  2. 核心工具/方法：缺失机制用张量 Ising 模型刻画，参数为低秩张量；估计方法采用最大伪似然估计（MPLE）配合 Riemannian 梯度下降算法，在低秩流形上优化；预测区间通过加权 conformal 预测构造。
  3. 主要结论：建立了 conformal interval 的有限样本覆盖保证（Theorem 1），连接了缺失倾向估计与 conformal 预测的 validity；模拟实验验证了区间覆盖率的合理性；在区域总电子含量（TEC）重建问题上展示了实际应用。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 张量 Ising 模型（定义 1）：\(\mathcal{M}\) 的分布为：
    \[P(\mathcal{M} = \mathbf{m}) = \frac{1}{Z(\Theta, \beta)} \exp\left( \sum_{i_1, \ldots, i_K} \theta_{i_1 \ldots i_K} m_{i_1 \ldots i_K} + \beta \sum_{(i_1, \ldots, i_K) \sim (j_1, \ldots, j_K)} m_{i_1 \ldots i_K} m_{j_1 \ldots j_K} \right)\]
    其中 \(Z(\Theta, \beta)\) 是配分函数。这个模型允许缺失概率依赖于相邻条目的观测状态（通过 \(\beta\) 项），比 missing-at-random 更一般。
  • 低秩假设（假设 1）：\(\Theta\) 的 CP rank 不超过 \(r\)，即 \(\Theta = \sum_{t=1}^r \mathbf{a}_t^{(1)} \circ \cdots \circ \mathbf{a}_t^{(K)}\)。这个假设使 \(\Theta\) 的参数数量从 \(\prod n_k\) 降到 \(r \sum n_k\)，使估计可行。
  • 补全算法（未明确假设）：本文的 UQ 方法不依赖于具体的补全算法，只要有一个点估计 \(\hat{\mathcal{X}}\) 即可。在模拟和实证中，作者使用 Riemannian 梯度下降进行低秩张量补全。
  • 与已有文献的对比：相比 Barber et al. (2021)（矩阵补全 + missing-at-random），本文推广到张量补全 + 更一般的缺失机制（张量 Ising 模型）。相比标准张量补全文献（如 Liu et al. 2012），本文增加了 UQ 组件。

主要结果

Theorem 1（有限样本覆盖保证）：假设 \(\mathcal{M}\) 服从张量 Ising 模型，且 \(\hat{\Theta}\) 是 \(\Theta\) 的一致估计。那么对于任意缺失条目 \((i_1, \ldots, i_K) \in \Omega^c\)，加权 conformal 预测区间 \(\hat{C}_{i_1 \ldots i_K}\) 满足：

\[P(x_{i_1 \ldots i_K} \in \hat{C}_{i_1 \ldots i_K}) \geq 1 - \alpha - o(1)\]
其中 \(o(1)\) 项依赖于 \(\|\hat{\Theta} - \Theta\|_F\) 和样本量。

  • 直觉：加权 conformal 预测通过权重 \(1/\hat{\pi}_{ij}\) 来校正缺失偏差。如果缺失倾向估计准确，那么加权后的非一致性分数在观测和缺失条目上的分布近似相同，从而覆盖保证成立。
  • 必要条件：\(\hat{\Theta}\) 必须是 \(\Theta\) 的一致估计（\(\|\hat{\Theta} - \Theta\|_F = o_P(1)\)）。这是通过 MPLE + Riemannian 梯度下降实现的。
  • 解决的技术难点：标准 conformal prediction 的覆盖保证依赖于 exchangeability，但在缺失数据设定下，观测条目和缺失条目的分布不同。本文通过加权来恢复 exchangeability。

Theorem 2（MPLE 的收敛性）：在低秩假设和一定的正则条件下，MPLE 估计 \(\hat{\Theta}\) 满足：

\[\|\hat{\Theta} - \Theta\|_F = O_P\left( \sqrt{\frac{r \sum n_k}{N}} \right)\]
其中 \(N = \prod n_k\) 是总条目数。

  • 直觉：这个收敛速度与低秩矩阵估计的 minimax 速度类似（\(O(\sqrt{rn/N})\)），只是维度从矩阵推广到张量。
  • 必要条件：需要张量 Ising 模型的 Fisher 信息矩阵在低秩流形上是正定的（即模型是可识别的）。

证明路线与技术技巧

整体路线（3-5 步逻辑主干）：

  1. 步骤 1：缺失倾向估计。用 MPLE 估计张量 Ising 模型的参数 \(\Theta\)。MPLE 将联合似然替换为条件似然的乘积（每个条目给定其邻居的观测状态），从而避免计算配分函数 \(Z(\Theta, \beta)\)。优化在低秩流形上进行，使用 Riemannian 梯度下降。

  2. 步骤 2：补全估计。用任意低秩张量补全算法得到 \(\hat{\mathcal{X}}\)。本文使用 Riemannian 梯度下降进行低秩张量补全，但理论不依赖于具体算法。

  3. 步骤 3：构造加权非一致性分数。对于每个观测条目 \((i_1, \ldots, i_K) \in \Omega\)，计算非一致性分数 \(s_{i_1 \ldots i_K} = |x_{i_1 \ldots i_K} - \hat{x}_{i_1 \ldots i_K}|\)，以及权重 \(w_{i_1 \ldots i_K} = 1 / \hat{\pi}_{i_1 \ldots i_K}\)，其中 \(\hat{\pi}_{i_1 \ldots i_K} = \exp(\hat{\theta}_{i_1 \ldots i_K}) / (1 + \exp(\hat{\theta}_{i_1 \ldots i_K}))\)（在 \(\beta=0\) 时）或更一般的表达式（在 \(\beta \neq 0\) 时）。

  4. 步骤 4：构造预测区间。对于缺失条目 \((i'_1, \ldots, i'_K) \in \Omega^c\)，计算加权经验分位数 \(\hat{q}_{1-\alpha}\)，然后 \(\hat{C}_{i'_1 \ldots i'_K} = \hat{x}_{i'_1 \ldots i'_K} \pm \hat{q}_{1-\alpha}\)。

  5. 步骤 5：证明覆盖保证。证明的关键是：加权后的非一致性分数 \(\{w_{i_1 \ldots i_K} s_{i_1 \ldots i_K}\}\) 在观测条目上的经验分布，近似于在缺失条目上的分布。这需要两个条件：(a) \(\hat{\Theta}\) 是 \(\Theta\) 的一致估计；(b) 补全误差 \(\hat{x}_{ij} - x_{ij}\) 与缺失机制独立（或近似独立）。

关键跳跃点： - MPLE 的收敛性证明：张量 Ising 模型的似然函数是非凸的，且配分函数 \(Z(\Theta, \beta)\) 难以计算。MPLE 通过条件似然绕过配分函数，但条件似然本身在低秩流形上的优化仍然是非凸的。作者使用 Riemannian 梯度下降，并证明在一定的初始化和步长条件下，算法收敛到全局最优（或至少一个局部最优，其统计性质足够好）。这个证明依赖于低秩流形的几何性质（如 retraction 和 Riemannian 梯度的 Lipschitz 连续性）。 - 加权 conformal 覆盖保证：标准 conformal prediction 的覆盖保证依赖于非一致性分数的 exchangeability。在缺失数据设定下，观测条目和缺失条目的非一致性分数分布不同。作者通过权重 \(1/\hat{\pi}_{ij}\) 来校正这个差异，但权重的估计误差会引入额外的 \(o(1)\) 项。证明需要控制 \(\|\hat{\Theta} - \Theta\|_F\) 对覆盖概率的影响。

技术技巧点名： - Riemannian 梯度下降：用于在低秩流形上优化 MPLE 和补全目标函数。具体地，使用 retraction 操作将欧几里得梯度投影到流形的切空间，然后沿测地线更新参数。 - 最大伪似然估计（MPLE）：用于估计张量 Ising 模型的参数，避免计算配分函数。MPLE 将联合似然替换为条件似然的乘积，每个条件似然只依赖于局部邻居。 - 加权 conformal prediction：用于构造预测区间，通过权重校正缺失偏差。这是 Barber et al. (2021) 的推广。 - 张量 CP 分解：用于参数化低秩张量 \(\Theta\) 和 \(\mathcal{X}\)，将参数数量从指数级降到线性级。

真实例子与应用

数据：区域总电子含量（TEC）数据，来自 NASA 的全球电离层地图（GIM）。TEC 是一个 3 阶张量：时间（24 小时）× 纬度（71 个格点）× 经度（73 个格点），共 24 × 71 × 73 = 124,392 个条目。数据存在大量缺失（由于观测站覆盖不足）。

方法应用： 1. 将 TEC 数据视为部分观测的张量 \(\mathcal{X}\)。 2. 用张量 Ising 模型建模缺失机制 \(\mathcal{M}\)，参数 \(\Theta\) 假设为低秩（CP rank = 5）。 3. 用 MPLE + Riemannian 梯度下降估计 \(\Theta\)，得到缺失倾向 \(\hat{\pi}_{ij}\)。 4. 用低秩张量补全（Riemannian 梯度下降，CP rank = 10）得到 \(\hat{\mathcal{X}}\)。 5. 构造加权 conformal 预测区间 \(\hat{C}_{ij}\)。

结果： - 预测区间的平均覆盖率为 92.3%（目标 90%），略高于名义水平，说明区间略微保守。 - 平均区间宽度为 2.1 TECU（总电子含量单位），与 TEC 的典型变化范围（0-30 TECU）相比是合理的。 - 与未加权的 conformal 预测（即假设 missing-at-random）相比，加权版本的区间宽度更窄（2.1 vs 2.8 TECU），说明校正缺失偏差提高了效率。

这个例子想说明什么： - 验证了理论：覆盖率达到名义水平，说明加权 conformal 预测在真实数据上有效。 - 展示了相对 baseline 的优势：加权版本比未加权版本更高效（区间更窄）。 - 证明了方法的可扩展性：TEC 数据有 124,392 个条目，Riemannian 梯度下降可以在合理时间内完成优化。

🔎 结论是否比证明窄

  • Theorem 1 的覆盖保证是渐近的（\(o(1)\) 项），不是有限样本精确的。标准 conformal prediction 在低维设定下提供有限样本精确覆盖（\(1-\alpha\)），但本文由于缺失倾向估计误差，只能得到渐近覆盖（\(1-\alpha - o(1)\)）。作者在 Theorem 1 的陈述中明确写了 \(o(1)\)，但在 abstract 和 introduction 中使用了“finite-sample coverage guarantees”这个说法——这有点误导，因为 \(o(1)\) 项意味着覆盖保证是渐近的，不是严格有限样本的。
  • Theorem 2 的收敛速度依赖于低秩假设和正则条件。作者在证明中假设了 Fisher 信息矩阵在低秩流形上是正定的，但这个条件在实际中很难验证。如果模型是近似不可识别的（如 \(\Theta\) 接近 0），收敛速度可能更慢。
  • 模拟实验只覆盖了有限场景。作者测试了 \(n_1 = n_2 = n_3 = 10\)（共 1000 个条目）和 \(r = 2, 3\) 的情况，没有测试更高维或更高秩的场景。方法的可扩展性在更大规模数据上未经验证。

四、开放问题

  1. 有限样本精确覆盖保证：Theorem 1 的覆盖保证是渐近的（\(o(1)\) 项）。能否在更强的假设下（如缺失倾向已知，或 \(\hat{\Theta}\) 的估计误差可被精确控制）得到有限样本精确覆盖？这扎根于 Theorem 1 的陈述：“\(P(x_{i_1 \ldots i_K} \in \hat{C}_{i_1 \ldots i_K}) \geq 1 - \alpha - o(1)\)”。

  2. 缺失机制模型的验证：张量 Ising 模型假设缺失概率依赖于相邻条目的观测状态（通过 \(\beta\) 项）。这个假设在实际中是否合理？如何检验？如果真实缺失机制是 missing-at-random 或 missing-not-at-random，本文方法的覆盖性质会如何变化？这扎根于作者对张量 Ising 模型的选择（定义 1），以及未讨论模型误设定问题。

  3. 计算可扩展性：Riemannian 梯度下降在低秩流形上的优化，当张量维度很大（如 \(n_k > 100\)）时，计算成本如何？是否有更高效的算法（如随机梯度下降、交替最小二乘）可以替代？这扎根于模拟实验只测试了小规模数据（\(n_k = 10\)）。

  4. 与贝叶斯方法的比较：本文没有与贝叶斯张量补全方法（如 Bayesian CP decomposition）进行比较。贝叶斯方法天然提供后验不确定性，且计算上可能更高效。在什么条件下，conformal 方法优于贝叶斯方法？这扎根于作者在 introduction 中未讨论贝叶斯路线。

确认 gap 的建议：要确认第 1 条是否是真 gap，去读 Barber et al. (2021) 的 Theorem 1——它是否提供了有限样本精确覆盖？如果是，那么本文的 \(o(1)\) 项就是一个可改进的缺口。要确认第 2 条，去读张量 Ising 模型在空间统计中的应用文献（如 Besag 1974 的 auto-logistic 模型），看模型误设定的后果是否已被研究。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论