Robust sparse covariance estimation by thresholding Tyler’s M-estimator
通过阈值化 Tyler M 估计量进行稳健稀疏协方差估计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：摘要属于一般高维矩阵估计，未提供金融数据、波动率或风险建模的直接证据。
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
通过阈值化 Tyler M 估计量进行稳健稀疏协方差估计
- 研究问题
- 在维度较高、样本有限且椭圆分布可能具有重尾时，如何估计稀疏形状矩阵，并获得可证明的高维收敛保证？
- 方法与思路
- 作者对 Tyler M 估计量或其正则化版本进行阈值化，在维度与样本量同比增长且比值趋于正数的框架下分析估计误差。
- 材料陈述的贡献
- 摘要称，所提估计量在相应高维联合极限下达到极小极大最优收敛速度，并用模拟数据支持理论分析。
- 阅读关注点
- 应核对形状矩阵与协方差的区别、尺度归一化、稀疏参数类及损失范数，并检查阈值和正则化参数的选择条件。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；未说明矩存在性、具体稀疏类与误差范数，不能将形状矩阵结论直接等同于协方差结论。
原文摘要
Estimating a high-dimensional sparse covariance matrix from a limited number of samples is a fundamental task in contemporary data analysis. Most proposals to date, however, are not robust to outliers or heavy tails. Toward bridging this gap, in this work we consider estimating a sparse shape matrix from $n$ samples following a possibly heavy-tailed elliptical distribution. We propose estimators based on thresholding either Tyler’s M-estimator or its regularized variant. We prove that in the joint limit as the dimension $p$ and the sample size $n$ tend to infinity with $p/n\to\gamma>0$, our estimators are minimax rate optimal. Results on simulated data support our theoretical analysis.