High-Dimensional Regularization of the Spatial Sign Covariance Matrix for Robust Shape Estimation
空间符号协方差矩阵的高维正则化与稳健形状估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用高维形状矩阵估计，未明确资产、金融因子或其他所列领域应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
空间符号协方差矩阵的高维正则化与稳健形状估计
- 研究问题
- 在椭圆分布且维度与样本量同比增长时，空间符号协方差矩阵是否能凭隐式正则化，在形状估计风险上优于Tyler估计？
- 方法与思路
- 作者使用随机矩阵理论的二阶工具比较两类估计的Frobenius风险，将空间符号估计解释为Tyler迭代的一步结果。
- 材料陈述的贡献
- 摘要称标准条件下空间符号估计的渐近风险更低，原因是降低方差且偏差随维度增大消失；数值实验支持该预测。
- 阅读关注点
- 应核对标准条件、尺度归一化、维度与样本量的比例范围，以及风险比较和偏差消失结论适用哪些椭圆分布。
- 阅读边界
- 这是arXiv预印本v1，不能据此声称已同行评审或期刊接收；摘要未列明标准条件、风险表达式或数值结果，也未建立普遍有限样本优势。
原文摘要
Covariance estimation is a key component of many applications in system identification and data-driven control. Although heavy-tailed distributions may lack a covariance matrix to estimate, the shape matrix provides a well-defined, scale-free generalization for the broad family of elliptical distributions. In this setting, practitioners often employ Tyler's M-estimator (TME), which is defined implicitly and is computed using a fixed-point iteration. The spatial sign covariance matrix estimator (SSCM) offers a much simpler alternative: it corresponds to one iteration of TME. Yet, the SSCM has been largely regarded as an inferior estimator due to its statistical inconsistency under fixed-dimensional asymptotics. By contrast, using second-order tools from random matrix theory, we establish that, under standard assumptions, SSCM asymptotically dominates TME in Frobenius risk when dimension and sample size grow proportionally. This advantage arises from implicit regularization, which reduces variance at the cost of a bias that vanishes as the dimension grows. Numerical experiments support the theoretical predictions even at moderate dimensions.