On Higher-Order Geometric Refinements of Classical Covariance Asymptotics: An Approach via Intrinsic and Extrinsic Information Geometry
经典协方差渐近的高阶几何精化：内在与外在信息几何方法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：摘要内容为信息几何与高阶渐近理论，属于统计与计量理论的一般性方法研究，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等具体应用方向，故不选择任何细分领域。
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
经典协方差渐近的高阶几何精化：内在与外在信息几何方法
- 研究问题
- 研究在弯曲模型（混合模型、弯曲指数族、潜变量模型、流形约束参数空间）中，有限样本下估计量协方差如何系统偏离经典Fisher信息的一阶渐近预测，以及能否给出坐标不变的曲率感知修正。
- 方法与思路
- 作者提出将正则参数族视为带Fisher–Rao度量的黎曼流形，经平方根密度映射浸入L²(μ)，在正则性与矩条件下推导得分根、一阶有效估计量协方差的n^{-2}修正项，该修正由张量P_ij刻画并分解为内在Ricci型、外在Gram型与Hellinger差异三部分；随后借助加性正规交叉假设下的奇点消解，将框架推广到Fisher信息退化的奇异模型。
- 材料陈述的贡献
- 摘要称得到n^{-2}协方差修正，其外在项半正定、整体修正对光滑重参数化不变，并在完全指数族中恒为零；在奇异模型中描述了消解后的度量、实对数规范阈值在学习率与后验均方误差中的作用，以及消解空间上的曲率型协方差展开，并指出该框架可用于弱可识别性的几何诊断与曲率感知的正则化与优化原则。
- 阅读关注点
- 阅读全文时应核对：正则性与矩假设的具体条件；P_ij三项分解的推导与坐标不变性证明；完全指数族中修正恒为零的论证；n^{-2}修正与有限样本偏差的实际量级关系；奇点消解与加性正规交叉假设的适用范围；实对数规范阈值结论的推导前提；以及是否给出数值验证或模拟证据。
- 阅读边界
- 仅依据摘要，无法判断修正项的实际数值大小、有限样本表现、假设的可检验性及证明细节；摘要未说明是否包含模拟或实证；该文为arXiv预印本，未经同行评审，不能据此声称已被期刊接收或结论已获验证。
原文摘要
Classical Fisher-information asymptotics describe the covariance of regular efficient estimators through the local quadratic approximation of the log-likelihood, and thus capture first-order geometry only. In curved models, including mixtures, curved exponential families, latent-variable models, and manifold-constrained parameter spaces, finite-sample behavior can deviate systematically from these predictions. We develop a coordinate-invariant, curvature-aware refinement by viewing a regular parametric family as a Riemannian manifold \((Θ,g)\) with Fisher--Rao metric, immersed in \(L^2(μ)\) through the square-root density map. Under suitable regularity and moment assumptions, we derive an \(n^{-2}\) correction to the leading \(n^{-1}I(θ)^{-1}\) covariance term for score-root, first-order efficient estimators. The correction is governed by a tensor \(P_{ij}\) that decomposes canonically into three parts, an intrinsic Ricci-type contraction of the Fisher--Rao curvature tensor, an extrinsic Gram-type contraction of the second fundamental form, and a Hellinger discrepancy tensor encoding higher-order probabilistic information not determined by immersion geometry alone. The extrinsic term is positive semidefinite, the full correction is invariant under smooth reparameterization, and it vanishes identically for full exponential families. We then extend the picture to singular models, where Fisher information degenerates. Using resolution of singularities under an additive normal crossing assumption, we describe the resolved metric, the role of the real log canonical threshold in learning rates and posterior mean-squared error, and a curvature-based covariance expansion on the resolved space that recovers the regular theory as a special case. This framework also suggests geometric diagnostics of weak identifiability and curvature-aware principles for regularization and optimization.