Adaptive Thresholding for Sparse Covariance Matrix Estimation
稀疏协方差矩阵估计的自适应阈值法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估计，未明确涉及因子、金融风险或其他所列应用方向。
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
稀疏协方差矩阵估计的自适应阈值法
- 研究问题
- 估计稀疏协方差矩阵时，如何使阈值适应各矩阵元素的不同变异程度，并改善统一阈值在同一参数空间中的表现？
- 方法与思路
- 作者提出完全由数据驱动的逐元素自适应阈值估计，分析谱范数下的收敛率及支撑恢复，并进行模拟和基因芯片应用。
- 材料陈述的贡献
- 摘要称估计量在一大类稀疏协方差矩阵上自适应达到最优收敛率，统一阈值在该类中次优，模拟也显示自适应方法表现更好。
- 阅读关注点
- 应核对稀疏矩阵类、分布及维数增长条件、元素变异估计与阈值选择，并区分谱范数最优性、支撑恢复和模拟比较。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未给参数空间、最优速率或支撑恢复条件，模拟中的一致优势不能外推至任意分布。
原文摘要
In this article we consider estimation of sparse covariance matrices and propose a thresholding procedure that is adaptive to the variability of individual entries. The estimators are fully data-driven and demonstrate excellent performance both theoretically and numerically. It is shown that the estimators adaptively achieve the optimal rate of convergence over a large class of sparse covariance matrices under the spectral norm. In contrast, the commonly used universal thresholding estimators are shown to be suboptimal over the same parameter spaces. Support recovery is discussed as well. The adaptive thresholding estimators are easy to implement. The numerical performance of the estimators is studied using both simulated and real data. Simulation results demonstrate that the adaptive thresholding estimators uniformly outperform the universal thresholding estimators. The method is also illustrated in an analysis on a dataset from a small round blue-cell tumor microarray experiment. A supplement to this article presenting additional technical proofs is available online.