Adaptive robust estimation in sparse vector model
稀疏向量模型中的自适应稳健估计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：摘要属于通用高维稀疏估计理论，未明确涉及经济领域的因子、预测或结构估计。
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…
稀疏向量模型中的自适应稳健估计
- 研究问题
- 研究噪声水平、噪声分布和稀疏度同时未知时，如何估计稀疏向量、其二范数及噪声方差，并刻画自适应的代价。
- 方法与思路
- 作者针对多项式尾、指数尾及高斯噪声构造自适应估计量，推导最优速率，并与相关信息已知时的非自适应速率比较。
- 材料陈述的贡献
- 摘要称，自适应最优速率可不同于非自适应极小极大速率，未知方差和未知噪声分布均可能改变速率，并联系稳健尺度估计。
- 阅读关注点
- 应核对各噪声类别和稀疏度范围、最优速率的上界与下界，以及高斯和分布未知的次高斯情形为何具有不同表现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体速率与估计量构造未提供，不能据此判断某种方法在实际高维数据中必然更优。
原文摘要
For the sparse vector model, we consider estimation of the target vector, of its ℓ2-norm and of the noise variance. We construct adaptive estimators and establish the optimal rates of adaptive estimation when adaptation is considered with respect to the triplet “noise level—noise distribution—sparsity.” We consider classes of noise distributions with polynomially and exponentially decreasing tails as well as the case of Gaussian noise. The obtained rates turn out to be different from the minimax nonadaptive rates when the triplet is known. A crucial issue is the ignorance of the noise variance. Moreover, knowing or not knowing the noise distribution can also influence the rate. For example, the rates of estimation of the noise variance can differ depending on whether the noise is Gaussian or sub-Gaussian without a precise knowledge of the distribution. Estimation of noise variance in our setting can be viewed as an adaptive variant of robust estimation of scale in the contamination model, where instead of fixing the “nominal” distribution in advance we assume that it belongs to some class of distributions.