Spectral learning of multivariate extremes
多元极端值的谱学习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：摘要研究通用多元极值理论、角测度和谱聚类，未明确金融应用，不能仅凭极端值或因子模型词汇归入金融细分。
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…
多元极端值的谱学习
- 研究问题
- 如何从多元极端样本的角度信息中学习渐近依赖结构，并识别线性因子模型生成的极端值簇及其角测度？
- 方法与思路
- 作者对半径超过高阈值样本的角度部分构造随机 K 近邻图，进行谱聚类，推导线性因子模型下极端值的渐近分布并估计角测度。
- 材料陈述的贡献
- 摘要称在特定条件下，谱聚类可一致识别线性因子模型中的极端值簇，并据此构造一致的角测度估计策略，以数值实验考察有限样本表现。
- 阅读关注点
- 应核对线性因子模型与极端依赖的条件、阈值和近邻数的选取、簇的可分性，以及聚类一致性如何支持角测度的一致估计。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未给出一致性条件或有限样本数值，不能推广到任意极端依赖结构或金融风险应用。
原文摘要
We propose a spectral clustering algorithm for analyzing the dependence structure of multivariate extremes. More specifically, we focus on the asymptotic dependence of multivariate extremes characterized by the angular or spectral measure in extreme value theory. Our work studies the theoretical performance of spectral clustering based on a random $k$-nearest neighbor graph constructed from an extremal sample, i.e., the angular part of random vectors for which the radius exceeds a large threshold. In particular, we derive the asymptotic distribution of extremes arising from a linear factor model and prove that, under certain conditions, spectral clustering can consistently identify the clusters of extremes arising in this model. Leveraging this result we propose a simple consistent estimation strategy for learning the angular measure. Our theoretical findings are complemented with numerical experiments illustrating the finite sample performance of our methods.