Robust regularized covariance matrix estimation: well-posedness and convergent algorithm
稳健正则化协方差矩阵估计：适定性与收敛算法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。
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：摘要讨论协方差矩阵的稳健正则化估计与算法收敛性，属于通用统计估计理论，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量等具体方向。
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
稳健正则化协方差矩阵估计：适定性与收敛算法
- 研究问题
- 研究带惩罚与结构约束的多元散度 M 估计量的性质，具体关注其存在性与唯一性条件，以及标准不动点算法在惩罚 M 估计问题中是否收敛。
- 方法与思路
- 作者在测地凸但未必光滑的惩罚函数框架下考察惩罚与结构化 M 估计量，给出存在唯一性条件，并指出标准不动点算法不一定收敛，进而提出一种新的重加权算法并证明其单调收敛性。
- 材料陈述的贡献
- 摘要称给出了惩罚与结构化散度 M 估计量的存在唯一性条件，说明标准不动点算法在惩罚 M 估计中未必收敛，并提出一个简单重加权算法，证明其对一大类惩罚与结构化 M 估计量具有单调收敛性。
- 阅读关注点
- 应核对存在唯一性条件的具体假设、测地凸但非光滑惩罚的适用范围、标准不动点算法失效的反例或条件，以及重加权算法单调收敛定理的证明前提与收敛速率是否被讨论。
- 阅读边界
- 仅依据摘要，无法判断定理的完整假设、证明细节、数值表现与实证适用性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
In this paper, we study properties of penalized and structured M-estimators of multivariate scatter, based on geodesically convex but not necessarily smooth penalty functions. Existence and uniqueness conditions for these penalized and structured estimators are given. However, we show that the standard fixed-point algorithm which is usually applied to an M-estimation problem does not necessarily converge for penalized M-estimation problems. Hence, we develop a new but simple re-weighting algorithm and prove that it has monotone convergence for a broad class of penalized and structured M-estimators of multivariate scatter.