Sparse precision matrix estimation via lasso penalized D-trace loss
基于 lasso 惩罚 D-trace 损失的稀疏精度矩阵估计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：摘要研究通用精度矩阵估计，未明确涉及经济网络、金融风险或其他给定细分。
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…
基于 lasso 惩罚 D-trace 损失的稀疏精度矩阵估计
- 研究问题
- 如何在高维条件下估计稀疏精度矩阵，同时保证正定性、实现稀疏恢复，并控制统计误差与计算成本？
- 方法与思路
- 作者提出 D-trace 损失，在正定约束下进行 lasso 惩罚最小化，分析新的不可表示条件，并用交替方向方法计算估计量。
- 材料陈述的贡献
- 摘要称，论文建立稀疏恢复及三类矩阵范数下的收敛速度，并展示新条件可在高斯似然方法相应条件失效时成立。
- 阅读关注点
- 应核对新不可表示条件与已有条件的关系、正定约束和调参方式，以及统计比较与算法效率比较各自使用的基准。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要中的有利比较不能解释为统一优势，具体分布条件、速度和性能幅度未说明。
原文摘要
We introduce a constrained empirical loss minimization framework for estimating high-dimensional sparse precision matrices and propose a new loss function, called the D-trace loss, for that purpose. A novel sparse precision matrix estimator is defined as the minimizer of the lasso penalized D-trace loss under a positive-definiteness constraint. Under a new irrepresentability condition, the lasso penalized D-trace estimator is shown to have the sparse recovery property. Examples demonstrate that the new condition can hold in situations where the irrepresentability condition for the lasso penalized Gaussian likelihood estimator fails. We establish rates of convergence for the new estimator in the elementwise maximum, Frobenius and operator norms. We develop a very efficient algorithm based on alternating direction methods for computing the proposed estimator. Simulated and real data are used to demonstrate the computational efficiency of our algorithm and the finite-sample performance of the new estimator. The lasso penalized D-trace estimator is found to compare favourably with the lasso penalized Gaussian likelihood estimator.