跳转至

Tensor-normal maximum likelihood estimation at the operator-norm sample threshold

作者: Hengzhi He, Guang Cheng
主题: 高维统计 / 随机矩阵
相关性: 7/10
链接: https://arxiv.org/abs/2608.10488

一、领域脉络与小综述

这个方向是什么

本方向研究张量正态分布（Tensor Normal Distribution）的协方差矩阵最大似然估计（MLE）。给定独立同分布的高斯张量观测值 \(X_i \in \mathbb{R}^{d_1} \otimes \cdots \otimes \mathbb{R}^{d_k}\)，其协方差矩阵被假设为 Kronecker 乘积结构：\(\text{Cov}(X_i) = \Sigma_1 \otimes \cdots \otimes \Sigma_k\)，其中每个 \(\Sigma_a \in \text{PD}(d_a)\) 是未知的正定因子协方差矩阵。核心问题是：在无稀疏性、无条件数假设的条件下，需要多少样本才能保证 MLE 存在唯一，并给出因子协方差矩阵的估计误差界？该问题处于高维统计、随机矩阵理论与信息几何的交叉点，当前成熟度属于活跃前沿——已有精确代数存在性分类，但非渐近有限样本保证仍在快速发展中。

发展脉络

  1. 奠基工作：代数存在性分类
    Drton, Kuriki & Hoff (2021) 通过矩阵束（matrix pencils）和 quiver 表示理论，给出了矩阵正态 MLE 几乎必然存在唯一的精确样本量阈值。Derksen & Makam (2021) 和 Derksen, Makam & Walter (2022) 进一步将这一分类推广到张量正态模型，利用 castling 变换和不变理论给出了完整的代数刻画。这些工作回答了“MLE 何时存在”的精确代数问题，但未提供非渐近的估计误差界或有限样本定位。

  2. 主要进展：非渐近保证与测地凸性
    Franks, Oliveira, Ramachandran & Walter (2026) 是本文的直接前驱。他们利用正定矩阵的仿射不变几何和随机完全正映射（random completely positive maps）的展开，首次建立了无条件数假设的有限样本保证。其张量结果要求样本阈值 \(nD \gtrsim k^2 d_{\max}^3\)（其中 \(D = \prod_a d_a\)，\(d_{\max} = \max_a d_a\)），并给出了接近最优的 Fisher-Rao 误差率。他们明确将能否将阈值降低到 \(nD \gtrsim k^2 d_{\max}^2\) 列为公开问题（Section 6）。该工作的核心工具是随机 Gram 界（random Gram bound）和 scaling-flow 分析。

  3. 当前 frontier：算子范数阈值与最优性
    本文（He & Cheng, 2026）正面回答了上述公开问题，证明 \(nD \gtrsim k^2 d_{\max}^2\) 足以保证 MLE 存在唯一并达到接近最优的误差率。证明路线与 Franks et al. 不同：它保留了随机 Gram 事件在整个 Lie 代数上的形式（而非仅对称切空间），通过精确共轭将其运输到固定 Thompson 球，再结合约束 MLE 的灵敏性和等变 Kirszbraun 延拓。这一结果将样本阈值从立方尺度降到平方尺度，匹配了信息论下界对 \(d_{\max}\) 的依赖。

  4. 并行路线：替代估计量与渐近几何
    McCormack & Hoff (2025) 和 Drton, Grosdos & McCormack (2024) 研究了 Kronecker 协方差的其他估计量（如 partial trace 估计量）及其渐近行为，包括高维一致性（“维数祝福”现象）和有理 MLE 的代数性质。这些工作侧重于渐近几何和计算，而非非渐近有限样本保证。

子线索聚类

  • 线索 A：代数存在性分类（Drton et al., 2021; Derksen & Makam, 2021; Derksen et al., 2022）
    使用 quiver 表示、castling 变换和不变理论，给出 MLE 存在唯一的精确代数阈值。不提供误差界。

  • 线索 B：非渐近有限样本保证（Franks et al., 2026; He & Cheng, 2026）
    使用随机矩阵理论、测地凸性和信息几何，建立无条件数假设的 MLE 误差界。本文属于此线索，并改进了样本阈值。

  • 线索 C：替代估计量与渐近几何（McCormack & Hoff, 2025; Drton et al., 2024）
    研究 partial trace 估计量、有理 MLE 等，侧重于渐近效率和高维一致性。与 MLE 的有限样本保证互补。

  • 线索 D：鲁棒协方差估计（Soloveychik & Wiesel, 2014; Sun et al., 2016）
    在椭圆分布下研究带结构约束的 Tyler's M-estimator，强调鲁棒性和计算。与本文的 Gaussian Kronecker MLE 设定不同。

核心追问问题

  1. 样本阈值：需要多少样本才能保证 MLE 存在唯一？阈值对 \(d_{\max}\) 的最优依赖是 \(d_{\max}^2\) 还是 \(d_{\max}^3\)？
  2. 误差率：MLE 在 Fisher-Rao 度量和 Thompson 度量下的最优收敛速度是多少？
  3. 算法收敛：flip-flop 迭代算法在最优样本阈值下是否仍线性收敛？
  4. 推广性：该定位原理能否推广到其他由群作用生成的高斯模型？

⚠️ 作者的 framing

作者将缺口 frame 为：Franks et al. (2026) 的样本阈值 \(nD \gtrsim k^2 d_{\max}^3\) 能否改进到 \(nD \gtrsim k^2 d_{\max}^2\)？ 他们声称这一改进是“统计而非装饰性的”（the distinction is statistical rather than cosmetic），因为立方尺度是常数 Frobenius 误差的阈值，而平方尺度是常数算子范数误差的自然阈值。作者淡化了以下竞争路线： - 代数分类路线（Derksen et al., 2022）被定位为“不提供非渐近定位或误差界”，但未讨论其精确阈值是否可能比本文的充分条件更紧。 - scaling-flow 分析（Franks et al., 2026 的核心工具）被明确回避，作者指出“∞-expansion 方法需要沿 scaling trajectory 的算子范数误差的一致控制，而这对于成对完全正映射不可用”。 - 鲁棒估计路线（Soloveychik & Wiesel, 2014; Sun et al., 2016）被定位为“针对椭圆或重尾分布，强调鲁棒性和计算”，与本文的 Gaussian 设定不同。

值得研究者去查的问题：本文未引用任何关于张量 U-统计量计算复杂度（如 treewidth / tensor contraction / einsum）的文献。考虑到研究者本人的工作，这是一个明显的空白——张量正态 MLE 的 flip-flop 迭代本质上涉及张量收缩，其计算成本是否可以用 tensor-network 复杂度刻画？本文的算子范数集中技术是否能为张量 U-统计量的误差传播提供新工具？

张力

未见明显对立引用。Franks et al. (2026) 和本文的结果是兼容的（后者改进了前者的阈值），代数分类路线和非渐近路线是互补的。McCormack & Hoff (2025) 的 partial trace 估计量与 MLE 的比较是渐近效率层面的，不直接矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \(X_i \in \mathbb{R}^{d_1} \otimes \cdots \otimes \mathbb{R}^{d_k}\)：第 \(i\) 个观测张量，\(i = 1, \dots, n\)。 - \(d_a\)：第 \(a\) 个模式的维度，\(a = 1, \dots, k\)。 - \(D = \prod_{a=1}^k d_a\)：张量的总元素数（即向量化后的维度）。 - \(d_{\max} = \max_a d_a\)：最大模式维度。 - \(M = nD\)：总样本量（观测数 × 每个观测的维度）。 - \(\Sigma_a \in \text{PD}(d_a)\)：第 \(a\) 个模式的因子协方差矩阵（正定）。 - \(\Theta_a = \Sigma_a^{-1}\)：第 \(a\) 个模式的因子精度矩阵。 - \(\Theta = \Theta_1 \otimes \cdots \otimes \Theta_k\)：全精度矩阵（\(D \times D\)）。 - \(\rho_x = \frac{1}{M} \sum_{i=1}^n x_i x_i^T\)：样本二阶矩矩阵（\(D \times D\)），其中 \(x_i = \text{vec}(X_i)\) 是向量化的观测。 - \(\text{PD}(d)\)：\(d \times d\) 正定矩阵锥。 - \(\text{Sym}_0(d) = \{A \in \mathbb{R}^{d \times d} : A = A^T, \text{tr} A = 0\}\)：迹零对称矩阵空间。 - \(\text{Mat}_0(d; \mathbb{R}) = \{A \in \mathbb{R}^{d \times d} : \text{tr} A = 0\}\)：迹零矩阵空间（不一定对称）。 - \(d_{\text{FR}}(A, B) = \frac{1}{\sqrt{2}} \| \log(A^{-1/2} B A^{-1/2}) \|_F\)：Fisher-Rao 距离。 - \(d_{\text{op}}(A, B) = \| \log(A^{-1/2} B A^{-1/2}) \|_{\text{op}}\)：Thompson 距离（算子范数）。 - \(d(\Theta, \Theta') = \sqrt{2/D} \, d_{\text{FR}}(\Theta, \Theta')\)：归一化的仿射不变距离（本文使用）。

模型：

\[X_i \sim \mathcal{N}(0, \Sigma_1 \otimes \cdots \otimes \Sigma_k), \quad i = 1, \dots, n,\]
其中 \(\Sigma_a \in \text{PD}(d_a)\) 未知。等价地，向量化后的观测 \(x_i = \text{vec}(X_i) \sim \mathcal{N}(0, \Sigma_1 \otimes \cdots \otimes \Sigma_k)\)。因子协方差矩阵仅可识别到公共缩放因子，本文使用规范约定：\(\det(\Theta_a)^{1/d_a}\) 对所有 \(a\) 相同。

可观测数据： - 研究者实际能观测到的是 \(n\) 个张量 \(X_1, \dots, X_n\)（或等价地，\(n\) 个 \(D\) 维向量 \(x_1, \dots, x_n\)）。 - 想要但观测不到的是因子协方差矩阵 \(\Sigma_1, \dots, \Sigma_k\)（或精度矩阵 \(\Theta_1, \dots, \Theta_k\)）。这些只能通过 Kronecker 结构假设和 MLE 来识别和估计。

第二步：最小内核

最简特例：\(k=2\)（矩阵正态模型），且 \(d_1 = d_2 = d\)（平衡情形）。

在这个特例下，模型退化为：

\[X_i \in \mathbb{R}^{d \times d}, \quad X_i \sim \mathcal{N}(0, \Sigma_1 \otimes \Sigma_2), \quad i = 1, \dots, n.\]
这里 \(D = d^2\)，\(d_{\max} = d\)，\(M = n d^2\)。Franks et al. (2026) 的阈值是 \(n d^2 \gtrsim k^2 d^3 = 4 d^3\)，即 \(n \gtrsim 4d\)。本文的阈值是 \(n d^2 \gtrsim k^2 d^2 = 4 d^2\)，即 \(n \gtrsim 4\)（常数！）。

核心数学问题：在 \(n\) 为常数（如 \(n=4\)）而 \(d\) 很大的情况下，能否保证 MLE 存在唯一并给出误差界？

为什么这是最小内核：因为 Franks et al. (2026) 的立方阈值 \(d_{\max}^3\) 在平衡情形下意味着 \(n\) 必须随 \(d\) 增长（\(n \gtrsim 4d\)），而平方阈值 \(d_{\max}^2\) 意味着 \(n\) 可以是常数。这一改进的统计意义在于：对于大维度的张量，即使只有少量观测（如 \(n=4\)），MLE 仍然有效。

在这个特例下，证明的核心思路： 1. 全 Lie 代数 Gram 界：在 \(k=2\) 情形下，Lie 代数 \(\mathfrak{g} = \mathbb{R} \oplus \text{Mat}_0(d; \mathbb{R}) \oplus \text{Mat}_0(d; \mathbb{R})\)。Lemma 1 证明，当 \(M = n d^2 \geq C k^2 d_{\max}^2 = 4C d^2\)（即 \(n \geq 4C\)）时，随机 Gram 算子 \(E_x(Z) = \frac{1}{M} \sum_{i=1}^n \|K_Z x_i\|_2^2\) 在 \(\mathfrak{g}\) 上一致有界（\(\lambda_0 \|Z\|^2 \leq E_x(Z) \leq L_0 \|Z\|^2\)）。关键点是：这个界对非对称的 \(Z_a\) 也成立（因为 Franks et al. 的 Theorem C.1 实际上是在整个 \(\text{Mat}_0(d; \mathbb{R})\) 上陈述的，尽管他们只用了对称部分）。 2. 运输到固定 Thompson 球：通过精确共轭（Lemma 2），将身份处的 Gram 界运输到半径为 \(R=1\) 的 Thompson 球 \(C_R\) 上，得到 Hessian 的一致上下界（\(\lambda_R I \preceq \text{Hess} f_x(\Theta) \preceq L_R I\)）。运输损失仅为常数因子 \(e^{\pm 3R}\)，不依赖于 \(d\) 或 \(k\)。 3. 约束 MLE 的 Lipschitz 性质：在 \(C_R\) 上最小化负对数似然，得到约束 MLE \(\theta_x\)。Lemma 3 证明 \(\theta_x\) 作为数据 \(x\) 的函数是 \(O(1/\sqrt{M})\)-Lipschitz 的（在仿射不变距离下）。 4. 等变算子范数定位：利用 Kirszbraun 延拓和正交群平均，将因子对数映射 \(F_a(\theta_x)\) 延拓为全局定义的、零均值的 Lipschitz 函数。高斯浓度不等式给出 \(F_a(\theta_x)\) 的算子范数界 \(O(d_a / \sqrt{M})\)。 5. 验证约束非活跃：梯度界（2.9）和强凸性给出 \(d(I_D, \theta_x) \leq O(\sqrt{k} d_{\max} / \sqrt{M})\)，结合因子对数界证明 \(\theta_x\) 严格在 \(C_R\) 内部，因此等于无约束 MLE。

为什么这个特例抓住了本质：因为 \(k=2\) 且 \(d_1 = d_2\) 时，所有技术困难（非对称切空间、成对交叉项、算子范数集中）都已出现，而维度参数最少。一般 \(k \geq 3\) 的情形只是多了更多模式对和更大的常数因子 \(k^2\)，证明结构完全相同。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：张量正态分布 MLE 的样本阈值能否从 Franks et al. (2026) 的 \(nD \gtrsim k^2 d_{\max}^3\) 降低到算子范数尺度 \(nD \gtrsim k^2 d_{\max}^2\)。
  2. 核心工具/方法：全 Lie 代数随机 Gram 界、精确共轭运输、约束 MLE 的 Lipschitz 灵敏性、等变 Kirszbraun 延拓、高斯浓度不等式。
  3. 主要结论：当 \(nD \geq C k^2 d_{\max}^2 t^2\) 时，MLE 以高概率存在唯一，全精度 Fisher-Rao 误差 \(O(\sqrt{k} d_{\max} / \sqrt{n})\)，最大因子的 Thompson 误差 \(O(d_{\max} / \sqrt{nD})\)，匹配高斯极小极大下界（至多 \(\sqrt{k}\) 因子）。

关键设定与假设

  • 设定：独立同分布高斯张量 \(X_i \sim \mathcal{N}(0, \Sigma_1 \otimes \cdots \otimes \Sigma_k)\)，\(\Sigma_a \in \text{PD}(d_a)\) 未知。无稀疏性、无条件数假设、无 warm start。
  • 假设：
  • \(d_a \geq 2\)（单维模式可移除）。
  • 因子精度矩阵 \(\Theta_a = \Sigma_a^{-1}\) 使用规范约定（\(\det(\Theta_a)^{1/d_a}\) 相同）。
  • 样本量条件：\(M = nD \geq C k^2 d_{\max}^2 t^2\)，其中 \(C\) 是通用常数，\(t \geq 1\) 是置信参数。
  • 相比已有文献的放宽：相比 Franks et al. (2026)，样本阈值从 \(d_{\max}^3\) 降到 \(d_{\max}^2\)；相比代数分类工作（Derksen et al., 2022），提供了非渐近误差界而非仅存在性。

主要结果

定理 1（核心结果）：在 \(M \geq C k^2 d_{\max}^2 t^2\) 下，以概率至少 \(1 - C k e^{-c M/(k d_{\max})} - \sum_{a<b} p_{ab} - C k e^{-c t^2 d_{\max}}\)，MLE 存在唯一且： - 全精度 Fisher-Rao 误差：\(d_{\text{FR}}(\hat{\Theta}, \Theta) \leq C \sqrt{k} d_{\max} t / \sqrt{n}\)。 - 因子 Fisher-Rao 误差：\(d_{\text{FR}}(\hat{\Theta}_a, \Theta_a) \leq C \sqrt{k d_a} d_{\max} t / \sqrt{nD}\)。 - 最大因子 Thompson 误差：\(d_{\text{op}}(\hat{\Theta}_a, \Theta_a) \leq C d_{\max} t / \sqrt{nD}\)（对 \(d_a = d_{\max}\)）。

推论 1（因子 Thompson 界）：对所有模式 \(a\)，\(d_{\text{op}}(\hat{\Theta}_a, \Theta_a) \leq C t (d_a + d_{\max}/\sqrt{k}) / \sqrt{nD}\)。

命题 1（信息论下界）：即使所有其他因子已知，估计单个因子的 Thompson 误差下界为 \(\Omega(d_a / \sqrt{nD})\)，Fisher-Rao 误差下界为 \(\Omega(d_a^{3/2} / \sqrt{nD})\)。因此定理 1 对最大因子的 Thompson 界是最优的（至多常数因子）。

证明路线与技术技巧

整体路线（5 步逻辑主干）：

  1. 全 Lie 代数 Gram 事件（Lemma 1）：证明在 \(M \geq C k^2 d_{\max}^2\) 下，随机 Gram 算子 \(E_x(Z) = \frac{1}{M} \sum_{i=1}^n \|K_Z x_i\|_2^2\) 在 \(\mathfrak{g} = \mathbb{R} \oplus \bigoplus_{a=1}^k \text{Mat}_0(d_a; \mathbb{R})\) 上一致有界。关键：Franks et al. 的 Theorem C.1 实际上是对整个 \(\text{Mat}_0(d; \mathbb{R})\) 陈述的（尽管他们只用了对称部分），因此可以直接复用。交叉项通过块 Gershgorin 估计控制。

  2. 运输到固定 Thompson 球（Lemma 2）：通过精确共轭 \(K_{H_G} = G K_Z G^{-1}\)，将身份处的 Gram 界运输到半径为 \(R=1\) 的 Thompson 球 \(C_R\) 上。关键跳跃：运输损失仅为常数因子 \(e^{\pm 3R}\)，不依赖于 \(d\) 或 \(k\)，因为共轭是精确的而非近似的。这避免了 Franks et al. 的 scaling-flow 分析所需的逐点控制。

  3. 约束 MLE 的 Lipschitz 性质（Lemma 3）：在 \(C_R\) 上最小化负对数似然，得到约束 MLE \(\theta_x\)。利用强测地凸性和变分不等式，证明 \(d(\theta_x, \theta_y) \leq C_R \|x - y\|_2 / \sqrt{M}\)。关键技巧：使用 Hessian 的上下界和沿测地线的导数估计。

  4. 等变算子范数定位（Section 6）：

  5. 将因子对数映射 \(F_a(\theta_x)\) 延拓为全局 Lipschitz 函数（Kirszbraun 定理）。
  6. 通过正交群平均使其等变且零均值。
  7. 高斯浓度不等式给出 \(P(|u^T F_a(\theta_x) u| > s) \leq 2 \exp(-c M s^2 / d_a)\)。

  8. 球面 \(\varepsilon\)-net 给出算子范数界 \(O(d_a / \sqrt{M})\)。

  9. 验证约束非活跃（Section 7）：梯度界和强凸性给出 \(d(I_D, \theta_x) \leq O(\sqrt{k} d_{\max} / \sqrt{M})\)，结合因子对数界证明 \(\theta_x\) 严格在 \(C_R\) 内部，因此等于无约束 MLE。

关键跳跃点： - Lemma 1 的交叉项控制：成对交叉项 \(\text{tr}\{\rho_x^{(ab)} (Z_a^T \otimes Z_b)\}\) 需要控制 \(\Phi_{ab}(K) = \frac{1}{M} \sum_{r=1}^N A_r K A_r^T\) 的算子范数。Franks et al. 的 Theorem C.1 给出 \(\| \sum_{r=1}^N A_r \otimes A_r \|_{\text{op}} \leq C s^2 \sqrt{N} (d_a + d_b)\)，但这是对 \(\text{Mat}_0(d; \mathbb{R})\) 而非仅对称矩阵的。难点：需要确认该定理确实适用于非对称矩阵（作者声称“importantly, (3.8) is an operator bound on the entire traceless matrix space, not only on symmetric matrices”）。 - Lemma 2 的精确共轭：Hessian 在 \(\Theta\) 处的二次型为 \(\frac{1}{M} \sum_{i=1}^n \|K_{H_G} G x_i\|_2^2\)，其中 \(K_{H_G} = G K_Z G^{-1}\)。难点：虽然 \(H_a\) 对称，但 \(Z_a = G_a^{-1} H_a G_a\) 不一定对称，因此需要全 Lie 代数 Gram 界。 - Lemma 3 的 Lipschitz 常数：沿测地线的导数估计需要同时控制 \(\Theta_s^{1/2} (x-y)\) 和 \(A_s \Theta_s^{1/2} x\) 的范数，前者通过 \(C_R\) 的紧性控制，后者通过 Hessian 上界控制。

技术技巧点名： - 随机 Gram 界（Lemma 1）：基于 Pisier (2012, 2014) 的随机矩阵不等式，用于控制随机完全正映射的算子范数。 - 块 Gershgorin 估计（Lemma 1 证明）：用于将成对交叉项的范数控制转化为行和估计。 - 精确共轭（Lemma 2）：将身份处的 Gram 界运输到非身份点，避免逐点分析。 - 强测地凸性与变分不等式（Lemma 3）：用于建立约束 MLE 的 Lipschitz 性质。 - Kirszbraun 延拓（Section 6）：将定义在子集上的 Lipschitz 映射延拓到全空间。 - 正交群平均（Section 6）：通过 Haar 测度平均使延拓后的映射等变且零均值。 - 高斯浓度不等式（Section 6）：用于 Lipschitz 函数的集中性。 - 球面 \(\varepsilon\)-net（Section 6）：将算子范数控制转化为有限个方向的控制。

真实例子与应用

本文为纯理论论文，无实证例子。 作者在 Section 8 中仅通过信息论下界比较来验证最优性，未进行模拟或真实数据分析。

🔎 结论是否比证明窄

  • 定理 1 的 Thompson 界（2.15）仅对最大模式（\(d_a = d_{\max}\)）成立，而对小模式的 Thompson 界在推论 1 中给出，但附加了额外的 \(d_{\max}/\sqrt{k}\) 项。作者明确承认“对于较小因子 \(a\)，比较不那么尖锐……我们不声称对每个小因子都是极小极大的”（Section 8）。
  • 样本阈值中的 \(k^2\) 依赖未被证明是最优的。作者在 Section 9 中承认“对 \(k\) 的最优依赖未知”。
  • 定理 1 不保证 flip-flop 算法在改进样本阈值下的线性收敛。作者在 Section 9 中明确将此列为开放问题。
  • 定理 1 是充分条件而非必要条件。代数分类（Derksen et al., 2022）给出了精确的存在性边界，本文的阈值可能比必要阈值更保守。

四、开放问题（扎根具体语句）

  1. 最优的 \(k\) 依赖：定理 1 的样本阈值包含 \(k^2\) 因子，但信息论下界（命题 1）仅涉及 \(d_{\max}\) 而不涉及 \(k\)。作者在 Section 9 中承认“对 \(k\) 的最优依赖未知”。扎根：Section 9 “Second, the optimal dependence on \(k\) is unknown.”

  2. flip-flop 算法的收敛性：定理 1 建立了 MLE 的统计性质，但未证明 flip-flop 迭代算法在改进样本阈值 \(nD \gtrsim k^2 d_{\max}^2\) 下的线性收敛。扎根：Section 9 “Third, the argument establishes statistical properties of the MLE but does not prove linear convergence of the flip-flop algorithm at the improved sample threshold.”

  3. 抽象定位原理的推广：本文的约束优化器定位论证依赖于高斯 Lipschitz 浓度和正交群等变性。作者提出将其推广到其他由约化群作用生成的高斯模型。扎根：Section 9 “Finally, it would be useful to isolate an abstract version of the constrained-optimizer localization argument for other Gaussian models generated by reductive group actions.”

  4. 与张量 U-统计量计算复杂度的连接：本文未讨论张量正态 MLE 的计算成本（如 flip-flop 迭代的每次迭代复杂度），也未与张量收缩的 treewidth / einsum 复杂度建立联系。考虑到研究者本人的工作，这是一个值得探索的 gap——例如，flip-flop 迭代的每次迭代涉及张量收缩，其计算成本是否可以用 tensor-network 复杂度刻画？本文的算子范数集中技术是否能为张量 U-统计量的误差传播提供新工具？扎根：本文未引用任何关于张量计算复杂度的文献，这是一个明显的空白。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论