Positive definite estimators of large covariance matrices
大型协方差矩阵的正定估计量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：摘要研究通用高维协方差估计，应用为语音分类，没有金融风险或因子分析的直接依据。
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…
关注这篇论文的作者
大型协方差矩阵的正定估计量
- 研究问题
- 在变量数量与样本量同时增长的高维环境中，如何估计稀疏协方差矩阵，并同时保证估计矩阵正定？
- 方法与思路
- 作者构造凸优化估计问题，以lasso型惩罚促进稀疏性，用对数障碍函数强制正定，并开发计算算法。
- 材料陈述的贡献
- 摘要称建立估计量的一致性与收敛速率界，提出高效算法，并用模拟及语音信号分类实例展示方法表现。
- 阅读关注点
- 应核对稀疏性与维度增长条件、惩罚和障碍参数选择、收敛界所用范数，以及算法的终止准则和计算成本。
- 阅读边界
- 仅据版本未注明的索引摘要；正定约束、速率条件和比较结果未展开，不能推断金融适用性或刊本变化。
原文摘要
Using convex optimization, we construct a sparse estimator of the covariance matrix that is positive definite and performs well in high-dimensional settings. A lasso-type penalty is used to encourage sparsity and a logarithmic barrier function is used to enforce positive definiteness. Consistency and convergence rate bounds are established as both the number of variables and sample size diverge. An efficient computational algorithm is developed and the merits of the approach are illustrated with simulations and a speech signal classification example.