Large covariance matrix estimation via penalized log-det heuristics
通过惩罚化 log-det 启发式估计大型协方差矩阵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：摘要明确将高维近似因子模型及其低秩共同成分、稀疏残差协方差纳入估计框架。
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
通过惩罚化 log-det 启发式估计大型协方差矩阵
- 研究问题
- 在高维近似因子模型中，如何同时估计协方差的低秩与稀疏成分，并恢复潜在秩及残差协方差的稀疏结构？
- 方法与思路
- 作者将 log-det 启发式与核范数、ℓ₁ 范数惩罚结合，利用所述局部凸性和梯度性质构建近端梯度求解算法。
- 材料陈述的贡献
- 摘要称给出误差界、几何可识别条件及高概率结构恢复结果，并报告相对 Frobenius 损失估计的比较优势。
- 阅读关注点
- 应核对局部凸性的有效区域、算法初始化与阈值选择、低秩稀疏分解的可识别条件，以及比较优势采用的评价指标。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实；摘要未列出误差界和恢复条件，局部凸性也不足以判断全局求解保证。
原文摘要
This paper provides a comprehensive estimation framework for large covariance matrices via a log-det heuristics augmented by a nuclear norm plus $\ell_{1}$-norm penalty. We develop the model framework, which includes high-dimensional approximate factor models with a sparse residual covariance. We prove that the aforementioned log-det heuristics is locally convex with a Lipschitz-continuous gradient, so that a proximal gradient algorithm may be stated to numerically solve the problem while controlling the threshold parameters. The proposed optimization strategy recovers in a single step both the covariance matrix components and the latent rank and the residual sparsity pattern with high probability, and performs systematically not worse than the corresponding estimators employing Frobenius loss in place of the log-det heuristics. The error bounds for the ensuing low rank and sparse covariance matrix estimators are established, and the identifiability conditions for the latent geometric manifolds are provided, improving existing literature. The validity of outlined results is highlighted by an exhaustive simulation study and a financial data example involving Euro Area banks.