Optimal signal detection in some spiked random matrix models: Likelihood ratio tests and linear spectral statistics
尖峰随机矩阵模型中的最优信号检测：似然比检验与线性谱统计量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：摘要研究通用随机矩阵信号检测，未明确涉及经济因子、金融因子或其他所列细分方向。
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
尖峰随机矩阵模型中的最优信号检测：似然比检验与线性谱统计量
- 研究问题
- 在允许多个尖峰及尖峰间依赖的随机矩阵模型中，能否以可计算的检验达到似然比检验的渐近最优功效？
- 方法与思路
- 作者分析低于特定信噪比界限时的对数似然比，将其渐近分解为二部带符号环统计量的加权和，再构造线性谱检验。
- 材料陈述的贡献
- 摘要称获得对数似然比的渐近正态性，并证明在所述界限以下，多项式时间的线性谱统计检验可达到渐近最优功效。
- 阅读关注点
- 应核对各模型的信噪比界限、尖峰先验与依赖条件、分解所需假设，以及最优功效的比较范围和计算复杂度定义。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；最优性限于摘要所述模型与信噪比范围，不能推广到任意信号检测问题。
原文摘要
We study signal detection by likelihood ratio tests in a number of spiked random matrix models, including but not limited to Gaussian mixtures and spiked Wishart covariance matrices. We work directly with multi-spiked cases in these models and with flexible priors on signal components that allow dependence across spikes. We derive asymptotic normality for the log-likelihood ratios when the signal-to-noise ratios are below certain bounds. In addition, the log-likelihood ratios can be asymptotically decomposed as weighted sums of a collection of statistics which we call bipartite signed cycles. Based on this decomposition, we show that below the bounds we could always achieve the asymptotically optimal powers of likelihood ratio tests via tests based on linear spectral statistics which have polynomial time complexity.