Graphical lasso for extremes
极值图套索：尾部稀疏相依结构的估计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：摘要聚焦尾部相依结构与极值图模型，直接对应尾部与系统性风险方向；其余领域细分在摘要中无文本依据。
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
极值图套索：尾部稀疏相依结构的估计
- 研究问题
- 如何估计高维随机向量在尾部区域的稀疏相依结构，即识别哪些变量在极端情形下仍相互关联。
- 方法与思路
- 作者提出极值图套索方法，将尾部相依建模为嵌入 Hüsler-Reiss 分布的极值图模型，类比高斯图套索来估计尾部相依的稀疏性，并证明图结构识别与参数估计的一致性。
- 材料陈述的贡献
- 摘要称提出极值图套索程序，并证明其在识别图结构和估计模型参数上的一致性；通过模拟与真实数据示例说明方法的效率与准确性。
- 阅读关注点
- 应核对 Hüsler-Reiss 图模型的具体设定、稀疏惩罚形式、一致性结论所依赖的假设与渐近条件，以及模拟和实证数据的具体来源与评价指标。
- 阅读边界
- 仅凭摘要无法判断定理假设是否合理、有限样本表现如何、实证结论是否稳健；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
In this paper, we estimate the sparse dependence structure in the tail region of a multivariate random vector, potentially of high dimension. The tail dependence is modeled via a graphical model for extremes embedded in the Hüsler-Reiss distribution. We propose the extreme graphical lasso procedure to estimate the sparsity in the tail dependence, similar to the Gaussian graphical lasso in high dimensional statistics. We prove its consistency in identifying the graph structure and estimating model parameters. The efficiency and accuracy of the proposed method are illustrated by simulations and real data examples.