Dimension Reduction in Multivariate Extremes via Latent Linear Factor Models
通过潜在线性因子模型降低多元极值的维度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：摘要研究一般多元极值模型并应用于空间风能风险，未提供宏观或金融场景依据，不能仅凭因子和尾部风险术语归类。
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
通过潜在线性因子模型降低多元极值的维度
- 研究问题
- 如何用少量具有解释意义的潜在因子描述高维极端依赖，并在保留尾部风险信息的同时降低模型维度和估计复杂度？
- 方法与思路
- 作者假定极端依赖由低维潜在线性因子驱动，允许载荷稀疏，并基于不受边际影响的尾部成对依赖矩阵构造恢复与秩估计方法。
- 材料陈述的贡献
- 摘要称在温和结构假设下参数可识别，并给出构造性恢复程序；风能应用展示估计大量风机同时低于启动风速阈值的风险。
- 阅读关注点
- 应核对潜在因子与谱依赖测度的对应关系、载荷识别条件，以及秩估计所需的尾部信息和风险计算对边际模型的依赖。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明结构假设、估计渐近性质或风能风险的具体数值。
原文摘要
We propose a new and interpretable class of high-dimensional tail dependence models based on latent linear factor structures. Specifically, extremal dependence of an observable vector is assumed to be driven by a lower-dimensional latent $K$-factor model, where $K \ll d$, thereby inducing an explicit form of dimension reduction. Geometrically, this is reflected in the support of the associated spectral dependence measure, whose intrinsic dimension is at most $K-1$. The loading structure may additionally exhibit sparsity, meaning that each component is influenced by only a small number of latent factors, which further enhances interpretability and scalability. Under mild structural assumptions, we establish identifiability of the model parameters and provide a constructive recovery procedure based on a margin-free tail pairwise dependence matrix, which also yields practical rank-based estimation methods. The framework combines naturally with marginal tail models and is particularly well suited to high-dimensional settings. We illustrate its applicability in a spatial wind energy application, where the latent factor structure enables tractable estimation of the risk that a large proportion of turbines simultaneously fall below their cut-in wind speed thresholds.