Large-dimensional independent component analysis: Statistical optimality and computational tractability
高维独立成分分析：统计最优性与计算可行性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：摘要研究一般独立成分分析，未明确涉及宏观或金融因子模型等所列细分方向。
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
高维独立成分分析：统计最优性与计算可行性
- 研究问题
- 独立成分分析的样本需求和估计精度如何随维度变化，计算算法的限制又会怎样改变可达到的统计表现？
- 方法与思路
- 作者分别分析统计最优界与低次多项式算法约束下的样本需求，并构造可计算估计量，研究收敛率及渐近正态性。
- 材料陈述的贡献
- 摘要称统计最优样本需求随维度线性增长，低次算法限制下则近乎二次增长，并提出达到相关最优界的可计算估计量。
- 阅读关注点
- 应核对独立成分的分布条件、低次算法的定义，以及可计算估计量达到何种最优界，特别留意不同结论的适用设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未解释计算下界与可计算最优估计之间的条件差异，不能自行消解这一张力或推断刊本变化。
原文摘要
In this paper, we investigate the optimal statistical performance and the impact of computational constraints for independent component analysis (ICA). Our goal is twofold. On the one hand, we characterize the precise role of dimensionality on sample complexity and statistical accuracy, and how computational consideration may affect them. In particular, we show that the optimal sample complexity is linear in dimensionality, and interestingly, the commonly used sample kurtosis-based approaches are necessarily suboptimal. However, the optimal sample complexity becomes quadratic, up to a logarithmic factor, in the dimension if we restrict ourselves to estimates that can be computed with low-degree polynomial algorithms. On the other hand, we develop computationally tractable estimates that attain both the optimal sample complexity and minimax optimal rates of convergence. We study the asymptotic properties of the proposed estimates and establish their asymptotic normality that can be readily used for statistical inferences. Our method is fairly easy to implement and numerical experiments are presented to further demonstrate its practical merits.