Robust high dimensional factor models with applications to statistical machine learning
稳健高维因子模型及其统计机器学习应用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：摘要是跨学科的通用因子方法综述，仅泛提经济金融，未明确聚焦所列宏观或金融细分。
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…
稳健高维因子模型及其统计机器学习应用
- 研究问题
- 高维、强依赖、重尾与异质性如何影响因子分析，稳健因子方法又如何用于变量选择、多重检验及其他统计学习任务？
- 方法与思路
- 作者选择性综述高维因子模型进展，围绕 PCA 与矩阵扰动、稳健统计等工具的联系，介绍 FarmSelect、FarmTest 及相关应用。
- 材料陈述的贡献
- 摘要称，综述展示经典 PCA 如何适配新的估计与推断问题，并梳理因子模型与网络分析、低秩矩阵恢复等任务的联系。
- 阅读关注点
- 应区分综述介绍的既有结果与本文新增内容，核对重尾和依赖条件，以及各应用中因子调整具体解决的问题。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明各方法的完整条件、比较结果或综述覆盖范围。
原文摘要
Factor models are a class of powerful statistical models that have been widely used to deal with dependent measurements that arise frequently from various applications from genomics and neuroscience to economics and finance. As data are collected at an ever-growing scale, statistical machine learning faces some new challenges: high dimensionality, strong dependence among observed variables, heavy-tailed variables and heterogeneity. High-dimensional robust factor analysis serves as a powerful toolkit to conquer these challenges. This paper gives a selective overview on recent advance on high-dimensional factor models and their applications to statistics including Factor-Adjusted Robust Model selection (FarmSelect) and Factor-Adjusted Robust Multiple testing (FarmTest). We show that classical methods, especially principal component analysis (PCA), can be tailored to many new problems and provide powerful tools for statistical estimation and inference. We highlight PCA and its connections to matrix perturbation theory, robust statistics, random projection, false discovery rate, etc., and illustrate through several applications how insights from these fields yield solutions to modern challenges. We also present far-reaching connections between factor models and popular statistical learning problems, including network analysis and low-rank matrix recovery.