High dimensional convergence rates for sparse precision estimators for matrix-variate data
矩阵变量数据稀疏精度估计的高维收敛速率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：摘要讨论矩阵变量协方差与稀疏精度矩阵的高维收敛速率，属于高维统计估计理论，与所提供的因果推断、面板、时间序列、金融等细分领域均无直接文本对应，故不选择。
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
矩阵变量数据稀疏精度估计的高维收敛速率
- 研究问题
- 摘要称，研究矩阵变量数据中行、列协方差矩阵的估计问题，关注SMGM惩罚稀疏估计量与启发式样本协方差估计量，在行、列维度随样本量增长的高维设定下其收敛速率如何。
- 方法与思路
- 作者提出对这两个估计量建立高维收敛速率，并称此前文献中关于SMGM估计量的高维收敛速率分析有误，指出这些证明中的关键错误，并给出一种不同且新颖的推导路径。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：给出SMGM与启发式样本协方差估计量在高维设定下的收敛速率，并纠正此前SMGM收敛性证明中的错误，提出新的分析思路。
- 阅读关注点
- 应核对：高维渐近框架的具体假设（行、列维度与样本量的相对增长速度）、所纠正错误的具体位置与性质、新证明所需的正则化条件，以及收敛速率所采用的范数与含义。
- 阅读边界
- 这是arXiv预印本，未经同行评审验证；摘要未说明具体速率数值、识别假设、模拟或实证结果，也未给出错误证明的细节，不能据此判断结论的最终正确性或适用范围。
原文摘要
In several applications, the underlying structure of the data allows for the samples to be organized into a matrix variate form. In such settings, the underlying row and column covariance matrices are fundamental quantities of interest. We focus our attention on two popular estimators that have been proposed in the literature: a penalized sparse estimator called SMGM and a heuristic sample covariance estimator. We establish convergence rates for these estimators in relevant high-dimensional settings, where the row and column dimensions of the matrix are allowed to increase with the sample size. We show that high-dimensional convergence rate analyses for the SMGM estimator in previous literature are incorrect. We discuss the critical errors in these proofs, and present a different and novel approach.