Robust covariance estimation under $L_{4}-L_{2}$ norm equivalence
L4–L2 范数等价条件下的稳健协方差估计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。
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：摘要讨论通用协方差估计理论，未明确对应因子模型、资产定价或其他所列方向。
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
L4–L2 范数等价条件下的稳健协方差估计
- 研究问题
- 在仅满足有界峰度型条件时，能否获得接近高斯情形表现的协方差估计，并以有效秩而非维度描述误差？
- 方法与思路
- 作者在 L4–L2 范数等价条件下构造协方差估计量，并分析该条件及次高斯情形中的高概率误差界。
- 材料陈述的贡献
- 摘要称估计性能接近高斯基准，改善次高斯情形已有的高概率界，且新界依赖协方差有效秩而不显式依赖维度。
- 阅读关注点
- 核对范数等价的精确定义、误差采用的矩阵范数、概率水平与有效秩依赖，以及估计程序的计算要求。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断具体常数、样本量要求或计算可行性；接近高斯的表述并非无条件保证。
原文摘要
Let $X$ be a centered random vector taking values in $\mathbb{R}^{d}$ and let $\Sigma=\mathbb{E}(X\otimes X)$ be its covariance matrix. We show that if $X$ satisfies an $L_{4}-L_{2}$ norm equivalence (sometimes referred to as the bounded kurtosis assumption), there is a covariance estimator $\hat{\Sigma}$ that exhibits almost the same performance one would expect had $X$ been a Gaussian vector. The procedure also improves the current state-of-the-art regarding high probability bounds in the sub-Gaussian case (sharp results were only known in expectation or with constant probability). In both scenarios the new bounds do not depend explicitly on the dimension $d$, but rather on the effective rank of the covariance matrix $\Sigma$.