Covariance regularization by thresholding
通过阈值化实现协方差正则化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：摘要讨论一般高维协方差估计及气候数据，未提供金融风险或因子领域的直接依据。
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
通过阈值化实现协方差正则化
- 研究问题
- 变量维数较高时，协方差矩阵的硬阈值估计在何种稀疏性与分布条件下保持算子范数一致，阈值应如何选择？
- 方法与思路
- 作者对样本协方差进行硬阈值化，在高斯或次高斯及适当稀疏条件下推导收敛率，并用重抽样和交叉验证选择阈值。
- 材料陈述的贡献
- 摘要称，在维数对数与样本量之比趋零等条件下得到一致性及显式收敛率，并提供阈值选择理论、模拟和气候数据比较。
- 阅读关注点
- 应核对稀疏矩阵类别、分布与观测条件、算子范数收敛率，以及重抽样方案和交叉验证结果如何支持实际阈值选择。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出稀疏性定义与完整条件，也未报告比较数值，不能判断普遍优势。
原文摘要
This paper considers regularizing a covariance matrix of p variables estimated from n observations, by hard thresholding. We show that the thresholded estimate is consistent in the operator norm as long as the true covariance matrix is sparse in a suitable sense, the variables are Gaussian or sub-Gaussian, and (log p)/n→0, and obtain explicit rates. The results are uniform over families of covariance matrices which satisfy a fairly natural notion of sparsity. We discuss an intuitive resampling scheme for threshold selection and prove a general cross-validation result that justifies this approach. We also compare thresholding to other covariance estimators in simulations and on an example from climate data.