Sharp optimality for high-dimensional covariance testing under sparse signals
稀疏信号下高维协方差检验的精确最优性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：摘要属于通用高维协方差检验理论，未给出金融因子、风险或其他所列应用方向的依据。
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
稀疏信号下高维协方差检验的精确最优性
- 研究问题
- 高维协方差矩阵的单样本检验中，检测边界如何随信号稀疏度和强度变化，什么检验能够达到该边界？
- 方法与思路
- 作者提出多层次阈值检验，结合新的 U 统计量分解、矩阵分块与耦合技术，处理样本协方差元素间的复杂依赖。
- 材料陈述的贡献
- 摘要称检验在相当范围的稀疏度上达到极小极大检测下界，并推导高斯和非高斯情形的渐近分布及边界比较。
- 阅读关注点
- 应核对原假设与稀疏备择、信号标度、允许的稀疏度范围，以及非高斯条件和已有检验的检测边界比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；精确最优性的具体范围和条件未列出，不能推断所有稀疏度下均最优。
原文摘要
This paper considers one-sample testing of a high-dimensional covariance matrix by deriving the detection boundary as a function of the signal sparsity and signal strength under the sparse alternative hypotheses. It first shows that the optimal detection boundary for testing sparse means is the minimax detection lower boundary for testing the covariance matrix. A multilevel thresholding test is proposed and is shown to be able to attain the detection lower boundary over a substantial range of the sparsity parameter, implying that the multilevel thresholding test is sharp optimal in the minimax sense over the range. The asymptotic distribution of the multilevel thresholding statistic for covariance matrices is derived under both Gaussian and non-Gaussian distributions by developing a novel U-statistic decomposition in conjunction with the matrix blocking and the coupling techniques to handle the complex dependence among the elements of the sample covariance matrix. The superiority in the detection boundary of the multilevel thresholding test over the existing tests is also demonstrated.