A Shrinkage Principle for Heavy-Tailed Data: High-Dimensional Robust Low-Rank Matrix Recovery
重尾数据的收缩原则：高维稳健低秩矩阵恢复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：摘要研究通用重尾数据稳健估计、矩阵恢复与协方差集中性，没有明确金融尾部风险或其他所列领域细分的研究对象。
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
重尾数据的收缩原则：高维稳健低秩矩阵恢复
- 研究问题
- 在响应或设计变量具有重尾分布、仅满足有限矩条件时，如何通过数据收缩实现稳健高维估计并保留统计误差速率？
- 方法与思路
- 作者对适当截断或收缩后的数据实施惩罚最小二乘，以迹回归低秩矩阵恢复为框架，并分析稳健协方差估计的谱范数集中性。
- 材料陈述的贡献
- 摘要称，在响应具有有界二加 δ 阶矩等条件下可取得既有次高斯误差速率，并对部分模型放宽设计矩条件至有界四阶矩。
- 阅读关注点
- 应核对各类模型分别需要的矩条件、截断阈值与惩罚参数设置，以及相同误差速率的比较基准和协方差集中不等式条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；各结果所需矩条件不同，摘要不能支持无有限矩条件下仍有效的推断。
原文摘要
This paper introduces a simple principle for robust high-dimensional statistical inference via an appropriate shrinkage on the data. This widens the scope of high-dimensional techniques, reducing the moment conditions from sub-exponential or sub-Gaussian distributions to merely bounded second or fourth moment. As an illustration of this principle, we focus on robust estimation of the low-rank matrix $Θ^*$ from the trace regression model $Y=Tr (Θ^{*T}X) +ε$. It encompasses four popular problems: sparse linear models, compressed sensing, matrix completion and multi-task regression. We propose to apply penalized least-squares approach to appropriately truncated or shrunk data. Under only bounded $2+δ$ moment condition on the response, the proposed robust methodology yields an estimator that possesses the same statistical error rates as previous literature with sub-Gaussian errors. For sparse linear models and multi-tasking regression, we further allow the design to have only bounded fourth moment and obtain the same statistical rates, again, by appropriate shrinkage of the design matrix. As a byproduct, we give a robust covariance matrix estimator and establish its concentration inequality in terms of the spectral norm when the random samples have only bounded fourth moment. Extensive simulations have been carried out to support our theories.