Large Precision Matrix Estimation with Unknown Group Structure
未知分组结构下的大型精度矩阵估计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：摘要研究通用协方差依赖结构与精度矩阵估计，没有明确的微观网络、宏观或金融应用依据。
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
未知分组结构下的大型精度矩阵估计
- 研究问题
- 当多元数据的依赖结构具有未知分组特征、单纯稀疏性不足以刻画时，如何发现分组并估计大型精度矩阵？
- 方法与思路
- 作者先在样本协方差矩阵主要特征向量形成的低维空间内聚类，再依照组别进行多元响应线性回归以估计精度矩阵。
- 材料陈述的贡献
- 摘要称为分组发现和精度矩阵估计建立理论基础，模拟比较显示较好的数值表现，并以乳腺癌数据展示应用。
- 阅读关注点
- 应核对总体分组结构如何定义、谱聚类所需分离条件，以及分组估计误差如何传递到后续精度矩阵估计中。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；理论误差界、比较设计及优势范围未说明，数值优越性仅是摘要陈述。
原文摘要
The estimation of large precision matrices is crucial in modern multivariate analysis. Traditional sparsity assumptions, while useful, often fall short of accurately capturing the dependencies among features. This paper addresses this limitation by focusing on precision matrix estimation for multivariate data characterized by a flexible yet unknown group structure. We introduce a novel approach that begins with the detection of this unknown group structure, clustering features within the low-dimensional space defined by the leading eigenvectors of the sample covariance matrix. Following this, we employ group-wise multivariate response linear regressions, guided by the identified group memberships, to estimate the precision matrix. We rigorously establish the theoretical foundations of our proposed method for both group detection and precision matrix estimation. The superior numerical performance of our approach is demonstrated through comprehensive simulation experiments and a comparative analysis with established methods in the field. Additionally, we apply our method to a real breast cancer dataset, showcasing its practical utility and effectiveness.