Transfer Learning for Covariance Matrix Estimation: Optimality and Adaptivity
协方差矩阵估计中的迁移学习：最优性与自适应性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：摘要研究通用协方差迁移估计并应用于音素分类，没有明确的金融或宏观研究对象。
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…
协方差矩阵估计中的迁移学习：最优性与自适应性
- 研究问题
- 在估计大型可带状逼近协方差矩阵时，辅助数据何时能够改善目标域精度，且能否在未知平滑度和域间差异下实现自适应估计？
- 方法与思路
- 作者在平方谱范数损失下建立迁移估计的极小极大速率，构造达到该速率的估计量，并提出无需已知平滑度与差异参数的程序。
- 材料陈述的贡献
- 摘要称，研究识别由域间差异、源样本量、维度和两个平滑度指标决定的相变，且自适应程序在多数区域无需额外代价即可达最优速率。
- 阅读关注点
- 应核对可带状逼近类与源目标差异的定义、相变区域的划分，以及哪些区域可以免费自适应、哪些区域存在额外代价。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；具体相变边界与例外区域未说明，音素分类改善也不能直接推广为金融协方差或收益预测优势。
原文摘要
Transfer learning, which leverages auxiliary data to improve inference in a target domain, has become a powerful tool in machine learning. In this work, we study minimax and adaptive estimation of large bandable covariance matrices under a transfer learning framework.We first establish the minimax rate of convergence under squared spectral norm loss and propose a rate-optimal estimator. Our analysis reveals phase transitions determined by the source-target disparity, the source sample size, the dimension, and the two smoothness indices. We then develop an adaptive estimator, a fully data-driven procedure that does not require the unknown smoothness and disparity parameters. In most regimes, it directly attains the minimax optimal rate without additional cost of adaptation.Simulation studies support our theoretical results and demonstrate the practical effectiveness of the proposed adaptive procedure. We further illustrate its utility in a phoneme classification task, where incorporating related phonemes as auxiliary data significantly improves classification performance.