AJIVE: 多数据矩阵共享子空间估计的力量与局限

集成数据分析通常需要在多个数据集之间分离联合和个体变化，这一挑战通常由联合和个体变异解释（JIVE）模型来解决。虽然已developed了众多方法来估计JIVE下的共享子空间，但其性能的理论理解仍有限，特别是在多个矩阵和不同程度的子空间错位的背景下。本文通过提供对多矩阵环境下共享子空间估计的系统性分析，弥合了这一差距。我们聚焦于基于角度的联合和个体变异解释（AJIVE）方法，这是一种两阶段谱方法，并在其中建立了新的性能保证，揭示了其优势与局限。具体而言，我们表明在高信噪比（SNR） regime中，AJIVE的估计误差随矩阵数量的增加而减小，显示现多矩阵集成的优势。相反，在低SNR设置下，AJIVE表现出不可消减的误差，突显其基本局限。为补充这些结果，我们导出鲁棒下界，表明AJIVE在高SNR regime中实现了最优速率。此外，我们分析了一个以oracle为导师的谱估计器，以演示低SNR情景中不可消减误差是根本性障碍。广泛的numerical实验证实了我们的理论发现，提供了关于SNR、矩阵数量和子空间错位之间相互作用的见解。