Detection of correlations
相关性的检测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：摘要中的组合结构用于限定相关分量集合，并未明确构成经济网络或金融风险模型，因此不足以选择所列细分领域。
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…
相关性的检测
- 研究问题
- 如何判断高维正态向量的分量全部独立，还是存在一个可能具有已知组合结构的小规模相关分量子集？
- 方法与思路
- 作者根据相关子集规模、相关程度和候选集合的结构建立极小极大风险上下界，并比较简单检验与广义似然比检验。
- 材料陈述的贡献
- 摘要称某些简单检验在许多情形下接近最优，而广义似然比检验在一些重要情形下并非最优，并给出风险界刻画。
- 阅读关注点
- 应核对相关备择与集合结构的定义、可检测性条件、上下界匹配程度，以及简单检验近最优和似然比检验次优的具体情形。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要。摘要未提供风险界公式、相关结构限制或计算代价，不能推广为所有高维相关检测问题的结论。
原文摘要
We consider the hypothesis testing problem of deciding whether an observed high-dimensional vector has independent normal components or, alternatively, if it has a small subset of correlated components. The correlated components may have a certain combinatorial structure known to the statistician. We establish upper and lower bounds for the worst-case (minimax) risk in terms of the size of the correlated subset, the level of correlation, and the structure of the class of possibly correlated sets. We show that some simple tests have near-optimal performance in many cases, while the generalized likelihood ratio test is suboptimal in some important cases.