Adversarially Perturbed Precision Matrix Estimation
对抗扰动下的精度矩阵估计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。
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：摘要主题为精度矩阵估计的统计方法与渐近理论，属于多元统计与高维统计推断，未涉及所给领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分领域。
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
对抗扰动下的精度矩阵估计
- 研究问题
- 研究问题：摘要称本文关注多元统计与机器学习中的精度矩阵估计问题，并提出一个受对抗训练启发的对抗扰动估计框架，用以统一并扩展已有的分布稳健方法与高维模型选择。
- 方法与思路
- 方法思路：作者提出对抗扰动精度矩阵估计框架，通过适配不同扰动几何，摘要称其可恢复已有分布稳健方法，并在尺度自适应不相干条件下实现高维模型选择一致性；同时给出与正则化精度矩阵估计的渐近等价及渐近正态性。
- 材料陈述的贡献
- 摘要所述贡献：提出一个多用途的对抗扰动精度矩阵估计框架；给出尺度自适应不相干条件下高维模型选择一致性，该条件可视为异方差情形下经典不相干条件的放松；建立与正则化估计的渐近等价与渐近正态性，并强调扰动带来的渐近偏差。
- 阅读关注点
- 阅读时应核对：扰动几何的具体设定与对应估计量形式；尺度自适应不相干条件的精确定义及其与经典条件的差异；模型选择一致性与渐近正态性所需假设；渐近偏差的表达式；数值实验的设计、对比方法与数据生成机制。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断定理证明的严谨性、假设的可检验性、实验的可复现性与相对优势；摘要未说明具体扰动分布、调参方式与样本规模。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Precision matrix estimation is a fundamental topic in multivariate statistics and modern machine learning. This paper proposes an adversarially perturbed precision matrix estimation framework, motivated by recent developments in adversarial training. The proposed framework is versatile for the precision matrix problem since, by adapting to different perturbation geometries, the proposed framework can not only recover the existing distributionally robust method but also achieve high-dimensional model selection consistency under the scale-adaptive incoherence condition, which can be viewed as a relaxation of the classic incoherence condition in the heteroscedastic settings. Additionally, the proposed perturbed precision matrix estimation framework is asymptotically equivalent to the regularized precision matrix estimation, and the asymptotic normality can be established accordingly, where the asymptotic bias introduced by perturbation is highlighted. Numerical experiments demonstrate the desirable practical performance of the proposed adversarially perturbed approach.