Robust Expectation-Maximization for Covariance Estimation in SIRV Models with Missing Data: Application to InSAR Time Series
缺失数据 SIRV 模型中的稳健 EM 协方差估计及 InSAR 时间序列应用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：摘要核心是雷达数据的稳健协方差估计，未提供归入所列宏观或金融计量方向的直接依据。
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…
缺失数据 SIRV 模型中的稳健 EM 协方差估计及 InSAR 时间序列应用
- 研究问题
- 尺度不变随机向量模型存在缺失观测时，如何稳健估计协方差，同时实现缺失值重建、去噪及适用于干涉雷达数据的数值计算？
- 方法与思路
- 作者为尺度变量设置逆伽马先验，得到复多元 Student-t 观测模型与闭式 EM 更新，并采用计算复用、矩阵正则化和结构约束。
- 材料陈述的贡献
- 摘要称，框架提供闭式 E 步与 M 步及多项数值稳健措施，并在合成数据和 Sentinel-1 干涉图中展示缺失重建与去噪表现。
- 阅读关注点
- 应核对可忽略缺失假设与 MNAR 实验的关系、闭式更新的推导、正则化对估计目标的影响，以及半正定约束和算法收敛性质。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；理论设定为可忽略缺失，MNAR 实验表现不能直接推出相应识别或一致性保证。
原文摘要
This paper presents a robust Expectation-Maximization framework for covariance estimation in Scale-Invariant Random Vector (SIRV) models with missing data under ignorable missingness mechanisms. By adopting an inverse-gamma prior on the scale variables, the resulting observation model leads to a complex multivariate Student-t distribution and allows closed-form E-step and M-step updates. The proposed algorithm incorporates numerical robustness techniques such as computation reuse for common observation patterns, regularized matrix inversions, and explicit enforcement of Hermitian positive semidefinite structure. Experiments on synthetic data and Sentinel-1 interferograms show effective missing value reconstruction and denoising performance under both MCAR and MNAR scenarios.