Robust covariance and scatter matrix estimation under Huber’s contamination model
Huber 污染模型下的稳健协方差与散布矩阵估计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：摘要针对通用污染下的协方差与散布矩阵估计，未明确金融波动率、风险或因子模型等所列方向。
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
Huber 污染模型下的稳健协方差与散布矩阵估计
- 研究问题
- 当数据可能受到任意来源异常值污染时，如何在利用带状性、稀疏性等矩阵结构的同时，稳健估计协方差或散布矩阵？
- 方法与思路
- 作者定义矩阵深度，并通过最大化经验深度函数构造稳健估计量，在 Huber 污染模型下研究不同矩阵结构的估计误差。
- 材料陈述的贡献
- 摘要称所提估计量在包括带状和稀疏结构的协方差、散布矩阵估计中达到极小极大最优速率，但未列出具体速率。
- 阅读关注点
- 应核对矩阵深度定义、损失范数、污染比例与结构复杂度的条件，以及经验深度最大化的计算可行性和理论保证。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；摘要未说明完整分布条件、具体误差界或算法成本，最优速率不代表所有情形均优。
原文摘要
Covariance matrix estimation is one of the most important problems in statistics. To accommodate the complexity of modern datasets, it is desired to have estimation procedures that not only can incorporate the structural assumptions of covariance matrices, but are also robust to outliers from arbitrary sources. In this paper, we define a new concept called matrix depth and then propose a robust covariance matrix estimator by maximizing the empirical depth function. The proposed estimator is shown to achieve minimax optimal rate under Huber’s $\varepsilon$-contamination model for estimating covariance/scatter matrices with various structures including bandedness and sparsity.