Non-Asymptotic Analysis of Data Augmentation for Precision Matrix Estimation
数据增强用于精度矩阵估计的非渐近分析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：摘要主题为高维精度矩阵估计的随机矩阵理论分析，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择。
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…
数据增强用于精度矩阵估计的非渐近分析
- 研究问题
- 摘要称研究高维情形下逆协方差（精度矩阵）估计问题，聚焦两类估计量：目标为与单位矩阵成比例的线性收缩估计量，以及由数据增强（DA）导出的估计量。
- 方法与思路
- 作者提出对两类估计量分别推导估计量并给出其二次误差的集中界，分析借助随机矩阵理论，引入一种针对广义预解矩阵的确定性等价，以容纳具有特定结构的相依样本，并用数值实验支持理论结果。
- 材料陈述的贡献
- 摘要称所得集中界可用于方法比较与超参数调优，例如选择人工样本的最优比例；技术层面提出可处理特定相依结构的广义预解矩阵确定性等价。
- 阅读关注点
- 应核对相依样本的具体结构假设、确定性等价成立的适用条件、集中界的形式与常数，以及数值实验的设定是否与理论假设一致。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、界的紧致程度与实验覆盖范围；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
This paper addresses the problem of inverse covariance (also known as precision matrix) estimation in high-dimensional settings. Specifically, we focus on two classes of estimators: linear shrinkage estimators with a target proportional to the identity matrix, and estimators derived from data augmentation (DA). Here, DA refers to the common practice of enriching a dataset with artificial samples--typically generated via a generative model or through random transformations of the original data--prior to model fitting. For both classes of estimators, we derive estimators and provide concentration bounds for their quadratic error. This allows for both method comparison and hyperparameter tuning, such as selecting the optimal proportion of artificial samples. On the technical side, our analysis relies on tools from random matrix theory. We introduce a novel deterministic equivalent for generalized resolvent matrices, accommodating dependent samples with specific structure. We support our theoretical results with numerical experiments.