Covariance estimation under one-bit quantization
一比特量化下的协方差估计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。
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：摘要聚焦信号处理中的通用矩阵估计，未涉及金融因子、资产收益或其他所列经济问题，分类依据不足。
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…
一比特量化下的协方差估计
- 研究问题
- 当独立同分布样本的每个分量仅保留一至两比特信息时，如何估计相关或协方差矩阵，并界定信息损失造成的误差？
- 方法与思路
- 作者区分尺度不变的一比特量化与加入随机抖动的两比特量化，构造估计量，并推导算子范数下的非渐近误差界。
- 材料陈述的贡献
- 摘要称两种方案分别支持中心化高斯相关矩阵和一般次高斯协方差矩阵估计，误差界适用于掩码估计并具有近最优性证据。
- 阅读关注点
- 核对量化及随机抖动的具体设计、样本量与维度条件、掩码矩阵要求，以及误差上界和极小极大下界的匹配范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供误差界公式或具体条件，近最优性不能扩展到任意分布或量化方案。
原文摘要
We consider the classical problem of estimating the covariance matrix of a sub-Gaussian distribution from i.i.d. samples in the novel context of coarse quantization, that is, instead of having full knowledge of the samples, they are quantized to one or two bits per entry. This problem occurs naturally in signal processing applications. We introduce new estimators in two different quantization scenarios and derive nonasymptotic estimation error bounds in terms of the operator norm. In the first scenario, we consider a simple, scale-invariant one-bit quantizer and derive an estimation result for the correlation matrix of a centered Gaussian distribution. In the second scenario, we add random dithering to the quantizer. In this case, we can accurately estimate the full covariance matrix of a general sub-Gaussian distribution by collecting two bits per entry of each sample. In both scenarios, our bounds apply to masked covariance estimation. We demonstrate the near optimality of our error bounds by deriving corresponding (minimax) lower bounds and using numerical simulations.