High-dimensional Spectrum Matching: Covariance Inference Based on Universality
高维谱匹配：基于普适性的协方差推断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：摘要研究通用高维协方差推断，未明确涉及金融因子、资产定价或其他所列具体领域。
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…
关注这篇论文的作者
高维谱匹配：基于普适性的协方差推断
- 研究问题
- 如何在高维协方差推断中，为多类谱统计量构造有效参考分布，并同时覆盖协方差检验、尖峰检测和线性泛函的联合推断？
- 方法与思路
- 作者生成协方差谱与目标相匹配的辅助高斯矩阵，以普适性论证参考分布的有效性，并用各向异性局部律建立理论保证。
- 材料陈述的贡献
- 摘要称，该框架适用于协方差已知和未知的情形及不同推断目标，理论分析超出比例增长设定，并以数值和真实数据应用展示效果。
- 阅读关注点
- 应核对未知协方差谱的估计方式、普适性对矩条件和维度增长的要求，以及尖峰检测与线性泛函同时推断各自的保证范围。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；局部律条件、谱匹配误差及应用对象未说明，普适性不代表任意数据分布下均有效，也不能据此推断刊本变化。
原文摘要
We propose a new spectrum matching framework based on universality for high-dimensional covariance inference. The method constructs reference distributions for a broad class of spectral statistics by generating an auxiliary Gaussian matrix whose covariance spectrum matches that of the target covariance, with validity justified by universality. This framework accommodates both known and unknown covariance settings and adapts to different inferential targets, including covariance testing, spike detection, and simultaneous inference for linear functionals of the covariance matrix. Theoretical guarantees are established through anisotropic local laws for general covariance-type random matrices beyond the proportional-growth regime. Numerical studies and a real-data application demonstrate the practical effectiveness of the proposed methodology in high-dimensional settings.