[論文レビュー] Conformalized Robust Principal Component Analysis

Liangliang Yuan, Lei Wang+2 more|arXiv (Cornell University)|Mar 15, 2026

Sparse and Compressive Sensing Techniques被引用数 0

ひとこと要約

この論文は、分布に依存しない conformal prediction フレームワークである CP-RPCA を提案し、分割および全体 conformal 変種と有限サンプル保証を通じて、部分観測・破損行列に対する頑健PCA の不確実性を定量化します。

ABSTRACT

Robust principal component analysis (RPCA) is a widely used technique for recovering low-rank structure from matrices with missing entries and sparse, possibly large-magnitude corruptions. Although numerous algorithms achieve accurate point estimation, they offer little guidance on the uncertainty of recovered entries, limiting their reliability in practice. In this paper, we propose conformal prediction-RPCA (CP-RPCA), a practical and distribution-free framework for uncertainty quantification in robust matrix recovery. Our proposed method supports both split and full conformal implementations and incorporates weighted calibration to handle heterogeneous observation probabilities. We provide theoretical guarantees for finite-sample coverage and demonstrate through extensive simulations that CP-RPCA delivers reliable uncertainty quantification under severe outliers, missing data and model misspecification. Empirical results show that CP-RPCA can produce informative intervals and remain competitive in efficiency when the RPCA model is well specified, making it a scalable and robust tool for uncertainty-aware matrix analysis.

研究の動機と目的

• 欠損データおよび大きな破損の下で、点推定を超える RPCA における不確実性定量化を動機づける。
• エントリ-wise な低ランク成分の不確実性区間のための実用的で分布-free なフレームワーク（CP-RPCA）を開発する。
• 異種の観測確率と潜在的なモデル不適合の下で有限サンプルカバレッジ保証を提供する。
• RPCA のスケーラブルな不確実性定量化を可能にする二段階（ split ）および厳密（ full ） conformal 手法を提案する。
• 顔認識やビデオ背景モデリングなどの応用における頑健性と実用性を示す。

提案手法

• 観測を Y = X + S*（観測インデックス上で）とモデリング。X は低ランク、S* は疎、欠落データ。E に分布仮定なし。
• RPCA に conformal prediction を統合し、X のエントリ-wise な信頼区間とカバレッジ保証を提供する。
• 二段階の split conformal アプローチを用い：subset で RPCA を学習し、別の subset で校準を行い、破損エントリをトリミングして校準スコアを得る。
• 標準化残差スコアとデータ依存の閾値 q を計算して X_hat ± q * sigma_hat の区間を形成する。
• 観測確率 p_ij が非均一な場合を扱うため、オッズ比 h_ij = (1-p_ij)/p_ij とワンショット重み付けを導入し、統一閾値を実現する。
• 完全な conformal 変種（full CP-RPCA）を提供し、データに候補値を追加して X_hat を再計算し、厳密にキャリブレーションされた区間を計算コストとともに得る。

Figure 1: Relationships among index sets in the two-stage CP-RPCA framework

実験結果

リサーチクエスチョン

• RQ1 欠損データとまばらな破損の下で、頑健PCA の不確実性を分布-free にどのように定量化できるか？
• RQ2 conformal prediction は RPCA における低ランク成分の有限サンプルカバレッジ保証付き信頼区間を提供し得るか？
• RQ3 異種の観測確率と潜在的なアウトライヤーは conformal RPCA 区間の妥当性にどのように影響するか？
• RQ4 split および full conformal RPCA 変種は、スケーラビリティと統計的保証の間でどのような実用的トレードオフを提供するか？
• RQ5 CP-RPCA のさまざまなデータ生成シナリオにおけるカバレッジの理論的限界と境界は何か？

主な発見

• CP-RPCA は低ランク成分に対するエントリ-wise な信頼区間を、有限サンプル・分布自由のカバレッジ保証とともに提供する。
• 本手法は、欠測データ・異種の観測確率・任意のノイズ分布を扱い、モーメント仮定やガウス仮定を必要としない。
• 理論結果は重み付き交換可能性と有限サンプルのカバレッジ境界を確立し、校準誤差 Δ およびアウトライヤー誤識別誤差 ξ に明示的に依存する。
• split CP-RPCA および full CP-RPCA 変種は、それぞれ計算効率と保証の厳密さのトレードオフを備え、スケーラブル性と厳密性を提供する。
• 数値シミュレーションにより、厳しいアウトライヤーやモデル誤指定の下でも信頼性の高い不確実性定量化が得られつつ、RPCA の仮定が成り立つ場合には競争力を維持することが示された。

Figure 2 : Comparison of coverage effects under different observation modes and noise distributions