Improved covariance estimation: Optimal robustness and sub-Gaussian guarantees under heavy tails
改进的协方差估计：重尾下的最优稳健性与次高斯保证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：摘要研究一般重尾协方差估计与稳健性，未涉及金融尾部风险或具体因子模型。
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
改进的协方差估计：重尾下的最优稳健性与次高斯保证
- 研究问题
- 在独立同分布的重尾多维样本下，仅依赖一维边际的矩条件，能否获得高概率协方差误差保证并抵抗对抗性污染？
- 方法与思路
- 作者提出协方差矩阵估计量，在至少四阶的边际矩比较条件下分析误差，并说明估计量可调整为抵抗对抗性污染。
- 材料陈述的贡献
- 摘要称，估计可达到高斯样本协方差的同类高概率误差率，并具最优污染稳健性；作者还陈述了与已有和平行工作的关系。
- 阅读关注点
- 应核对矩比较条件、误差范数、维度与样本量依赖、污染模型及最优性标准，并查阅估计构造和与平行工作的精确关系。
- 阅读边界
- 所给 Crossref 摘要未提供估计算法、误差界常数或污染范围；相同误差率不意味着常数相同，也不能推断金融尾部风险应用。
原文摘要
We present an estimator of the covariance matrix Σ of random d-dimensional vector from an i.i.d. sample of size n. Our sole assumption is that this vector satisfies a bounded Lp−L2 moment assumption over its one-dimensional marginals, for some p≥4. Given this, we show that Σ can be estimated from the sample with the same high-probability error rates that the sample covariance matrix achieves in the case of Gaussian data. This holds even though we allow for very general distributions that may not have moments of order > p. Moreover, our estimator can be made to be optimally robust to adversarial contamination. This result improves the recent contributions by Mendelson and Zhivotovskiy and Catoni and Giulini, and matches parallel work by Abdalla and Zhivotovskiy (the exact relationship with this last work is described in the paper).