Sparsity meets correlation in Gaussian sequence model
高斯序列模型中的稀疏性与相关性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：摘要研究一般高斯序列模型的极小极大理论，没有明确金融因子、宏观因子或其他给定经济计量对象。
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
高斯序列模型中的稀疏性与相关性
- 研究问题
- 在观测等相关的高维高斯序列模型中，稀疏信号的极小极大估计速率如何依赖相关性和稀疏程度，何时相关性有利？
- 方法与思路
- 作者把问题分解为信号均值与正交子空间投影的估计，分别使用稳健位置估计和稀疏回归，并提出带宽扩大的核众数估计。
- 材料陈述的贡献
- 摘要称，推导了极小极大速率及相变，发现足够强的相关性可改善估计；所提核众数估计在该问题中达到最优速率。
- 阅读关注点
- 应核对速率和相变的完整参数区间、相关性有利的临界条件，以及现有稳健估计次优和核众数估计最优的证明边界。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断完整速率公式及参数限制；模型中的相关性收益不能直接推广到一般相关高维数据。
原文摘要
We study estimation of an s-sparse signal in the p-dimensional Gaussian sequence model with equicorrelated observations and derive the minimax rate. A new phenomenon emerges from correlation, namely, the rate scales with respect to p−2s and exhibits a phase transition at p−2s≍p. Correlation is shown to be a blessing, provided it is sufficiently strong and the critical correlation level exhibits a delicate dependence on the sparsity level. Due to correlation, the minimax rate is driven by two subproblems: estimation of a linear functional (the average of the signal) and estimation of the signal’s (p−1)-dimensional projection onto the orthogonal subspace. The high-dimensional projection is estimated via sparse regression, and the linear functional is cast as a robust location estimation problem. Existing robust estimators turn out to be suboptimal, and we show a kernel mode estimator with a widening bandwidth exploits the Gaussian character of the data to achieve the optimal estimation rate.