Regularized covariance estimation from partially observed interferometric data
部分观测干涉数据下的正则化协方差估计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：摘要属于函数型数据分析与空间协方差估计方法，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择。
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…
部分观测干涉数据下的正则化协方差估计
- 研究问题
- 摘要称，如何在测量在较大区域系统性缺失的情况下，可靠估计小基线子集（SBAS）干涉测量数据的二阶结构（协方差）。
- 方法与思路
- 作者从函数型数据分析视角出发，将观测视为二维域上的部分观测函数型数据，提出“碎片化”部分观测机制，并把协方差估计表述为带拉普拉斯正则化的矩阵补全问题，给出非参数估计量。
- 材料陈述的贡献
- 摘要称提出一种针对碎片化缺失机制的协方差估计新方法，该估计量非参数且不依赖平稳性或各向同性假设；模拟显示在多种协方差结构下估计误差较低，并应用于 Phlegraean Fields 地表位移数据。
- 阅读关注点
- 应核对碎片化机制的精确定义、拉普拉斯正则化的具体形式与调参方式、估计量的一致性条件与理论保证，以及模拟设计和实证数据中缺失模式是否与假设相符。
- 阅读边界
- 仅凭摘要无法判断估计量的理论性质、正则化参数选择依据、模拟的可复现性及实证结论的稳健性；摘要未说明识别假设与渐近结果。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
The Small BAseline Subset technique provides remote measurements of ground displacement with high spatial resolution, making it a key tool for monitoring geophysical processes in hazard-prone areas. An effective analysis of this type of data requires reliable estimation of their second-order structure, which is difficult to achieve because the measurements are systematically missing over relatively large portions of the investigated areas. We tackle the problem from a functional data analysis perspective and treat the observations as partially observed functional data with two-dimensional domain. To properly characterize the data, we introduce the fragmented regime of partial observation, where parts of the curves are systematically missing across replicates. For this regime, we propose a novel method for covariance estimation, formulating the task as a matrix completion problem with Laplacian regularization. The estimator is nonparametric and free from stationarity or isotropy assumptions. Extensive simulations show that our method achieves consistently low estimation error across a range of covariance structures. Application to ground displacement data relative to the Phlegraean Fields demonstrates its ability to recover meaningful spatial dependence patterns, highlighting its potential for environmental risk assessment and monitoring.