Covariance shrinkage for cosmological inference with Sellentin-Heavens-type likelihoods
面向宇宙学推断的 Sellentin-Heavens 型似然协方差收缩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：摘要主题为宇宙学参数推断中的协方差正则化与似然边缘化，属于统计方法与天文学应用，未直接对应所给微观、宏观或金融领域细分，故留空。
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
面向宇宙学推断的 Sellentin-Heavens 型似然协方差收缩
- 研究问题
- 研究在协方差矩阵由有限模拟估计时，如何通过似然层面的处理与收缩正则化改善参数推断；摘要称核心问题是标量协方差修正是否依赖似然形式，以及收缩强度能否作为推断量被边缘化。
- 方法与思路
- 作者在期望负对数似然损失下比较高斯插件似然与协方差边缘化的 Sellentin-Heavens 似然，推导标量缩放的最优解；随后提出向球面目标收缩的表述，给收缩强度赋先验，由似然导出其后验并对之边缘化，并用蒙特卡洛实验考察。
- 材料陈述的贡献
- 摘要称，Hartlap 协方差侧缩放在高斯插件似然下为最优，而在 Sellentin-Heavens 似然下未缩放样本协方差最优，说明标量修正依赖似然；并提出将收缩强度作为辅助推断量、通过边缘化传播正则化不确定性的做法。
- 阅读关注点
- 应核对损失函数与最优缩放的推导条件、球面目标与先验的具体设定、边缘化后验的计算方式，以及蒙特卡洛实验中协方差条件数与后验校准的评估指标；摘要未给出具体数值结果。
- 阅读边界
- 仅依据摘要，无法判断推导的一般性、模拟设定与真实数据适用性，也未说明与既有收缩方法的比较；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
Covariance matrices used in astronomical and cosmological parameter inference are often estimated from a finite number of simulations, so covariance uncertainty can affect posterior calibration and parameter constraints. We study covariance regularisation from the perspective of likelihood-based inference with simulation-estimated covariance matrices. First, we analyse scalar covariance scaling under the Gaussian plug-in likelihood and the covariance-marginalised Sellentin--Heavens likelihood. Using an expected negative log-likelihood loss, we show that Hartlap covariance-side scaling is recovered as the optimum under the Gaussian plug-in likelihood, whereas the unscaled sample covariance is optimal under the Sellentin--Heavens likelihood. This shows that scalar covariance corrections are likelihood-dependent and that an additional Hartlap-type global scaling is not favoured once covariance uncertainty is marginalised through the Sellentin--Heavens likelihood. We then introduce a shrinkage formulation in which the sample covariance is regularised towards a spherical target and the shrinkage intensity is treated as an auxiliary inferential quantity. A prior is assigned to the shrinkage intensity, the likelihood induces its posterior distribution, and the final parameter posterior is obtained by marginalising over it. Monte Carlo experiments show that shrinkage substantially improves covariance conditioning, while marginalisation over the shrinkage intensity propagates uncertainty about the amount of regularisation into posterior inference. The proposed approach provides a simple way to combine covariance-marginalised likelihood inference with structural regularisation of noisy simulation-estimated covariance matrices.