L'ottimizzazione esatta sulla varietà di Stiefel migliora il PLS probabilistico per l'apprendimento a due viste

Un recente preprint su arXiv presenta un quadro completo per i minimi quadrati parziali probabilistici (PPLS) che affronta le sfide esistenti nei processi di adattamento. Questo lavoro si basa sulla parametrizzazione identificabile stabilita da Bouhaddani et al. (2018) e sul metodo della verosimiglianza scalare a rumore fisso proposto da Hu et al. (2025). Gli autori migliorano l'approccio sostituendo la media del rumore a spettro completo con la stima del sottospazio del rumore e utilizzando l'ottimizzazione esatta sulla varietà di Stiefel invece della gestione delle penalità con metodi di punto interno. Lo stimatore del sottospazio del rumore fornisce un tasso di campionamento finito leader che è indipendente dall'intensità del segnale e si allinea con un limite minimax. Il quadro integra la pre-stima del rumore, l'ottimizzazione della verosimiglianza vincolata e la calibrazione delle previsioni, producendo aggiornamenti in forma chiusa, limiti di errore e incertezza calibrata per compiti di apprendimento a due viste.