Stochastic Block Covariance Matrix Estimation
随机分块协方差矩阵估计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。
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：摘要主线是一般高维协方差估计，神经科学应用和因子模型类比未明确对应所列经济细分。
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…
随机分块协方差矩阵估计
- 研究问题
- 高维协方差矩阵若具有未知分块结构，且块间可正相关或负相关，如何同时恢复潜在分组并估计整体协方差？
- 方法与思路
- 作者设定块内及块间共享协变关系的模型，采用层级贝叶斯方法与收缩先验，联合学习潜在块和协方差矩阵。
- 材料陈述的贡献
- 摘要称分块结构提供内在降维，类似无需选择因子数的正则化因子模型；数值实验强调层级结构与收缩先验的作用。
- 阅读关注点
- 应核对分块结构和潜在分组的可识别性、先验与块数处理，以及多块情况下恢复准确度和协方差误差的评价方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明理论保证或经济应用，仅与因子模型相似不足以确认领域归属。
原文摘要
Motivated by a neuroscience application we study the problem of statistical estimation of a high-dimensional covariance matrix with a block structure. The block model embeds a structural assumption: the population of items (neurons) can be divided into latent sub-populations with shared associative covariation within blocks and shared associative or dis-associative covariation across blocks. Unlike the block diagonal assumption, our block structure incorporates positive or negative pairwise correlation between blocks. In addition to offering reasonable modeling choices in neuroscience and economics, the block covariance matrix assumption is interesting purely from the perspective of statistical estimation theory: (a) it offers in-built dimension reduction and (b) it resembles a regularized factor model without the need of choosing the number of factors. We discuss a hierarchical Bayesian estimation method to simultaneously recover the latent blocks and estimate the overall covariance matrix. We show with numerical experiments that a hierarchical structure and a shrinkage prior are essential to accurate recovery when several blocks are present.