Adaptive estimation of stationary Gaussian fields
平稳高斯场的自适应估计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：摘要研究空间高斯场的协方差估计，未涉及经济网络干扰、因子或其他所列细分任务。
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
平稳高斯场的自适应估计
- 研究问题
- 对规则格点上观测的平稳高斯场，如何在未知空间邻域结构时估计协方差，并适应邻域稀疏性或模型近似速度？
- 方法与思路
- 作者以不同邻域的高斯马尔可夫随机场作为近似模型，先在各候选模型中估计协方差，再通过惩罚策略选择邻域。
- 材料陈述的贡献
- 摘要称，方法满足非渐近预言型不等式；真模型为高斯马尔可夫随机场时适应邻域稀疏性，更一般时适应近似速度。
- 阅读关注点
- 应核对候选邻域集合、惩罚项与风险度量，以及预言不等式和极小极大自适应结论所依赖的观测与模型条件。
- 阅读边界
- 仅依据版本未注明的索引摘要；惩罚常数、风险界形式与适用条件未说明，不能将空间邻域稀疏性直接解释为经济网络识别。
原文摘要
We study the nonparametric covariance estimation of a stationary Gaussian field X observed on a regular lattice. In the time series setting, some procedures like AIC are proved to achieve optimal model selection among autoregressive models. However, there exists no such equivalent results of adaptivity in a spatial setting. By considering collections of Gaussian Markov random fields (GMRF) as approximation sets for the distribution of X, we introduce a novel model selection procedure for spatial fields. For all neighborhoods m in a given collection $\mathcal{M}$, this procedure first amounts to computing a covariance estimator of X within the GMRFs of neighborhood m. Then it selects a neighborhood ̂m by applying a penalization strategy. The so-defined method satisfies a nonasymptotic oracle-type inequality. If X is a GMRF, the procedure is also minimax adaptive to the sparsity of its neighborhood. More generally, the procedure is adaptive to the rate of approximation of the true distribution by GMRFs with growing neighborhoods.