Low-Rank and Sparse Drift Estimation for High-Dimensional Lévy-Driven Ornstein--Uhlenbeck Processes
高维 Lévy 驱动 OU 过程的低秩与稀疏漂移估计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：摘要研究离散时间观测下动态随机过程的漂移估计，直接关联时间序列方法。
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
高维 Lévy 驱动 OU 过程的低秩与稀疏漂移估计
- 研究问题
- 对离散观测的高维 Lévy 驱动 OU 过程，如何利用漂移矩阵的低秩加稀疏近似进行估计，并区分总漂移与分量恢复？
- 方法与思路
- 作者对局部化、增量截断的伪似然施加核范数与逐元素稀疏惩罚，结合联合锥和受限抵消条件推导误差界，并给出近端梯度算法。
- 材料陈述的贡献
- 摘要称得到非渐近预言不等式和离散化等误差项；所报模拟中总漂移误差低于局部 Lasso，但不意味着两类分量被精确识别。
- 阅读关注点
- 应核对受限抵消条件、截断与采样频率要求、近似结构误差，以及成对模拟的设置和低秩、稀疏分量诊断方式。
- 阅读边界
- 依据 arXiv v3 预印本摘要，同行评审及期刊接收未经核实；模拟优势仅适用于所报设计，不能推广为分量识别或普遍优势。
原文摘要
We study drift estimation for discretely observed high-dimensional Lévy-driven Ornstein--Uhlenbeck processes when the drift admits a low-rank-plus-sparse approximation. A localized, increment-truncated pseudo-likelihood is regularized by nuclear and entrywise $\ell_1$ norms. A weighted joint-cone argument and restricted cancellation condition yield non-asymptotic Frobenius oracle inequalities for exact and approximate structure. The stochastic complexity is $rd+s\log d$, with explicit discretization, truncation, and Lévy-regime sample-complexity terms. We derive operator- and infinity-norm score bounds from a Gaussian-width inequality and give a proximal-gradient algorithm. In 100-replicate experiments with mixed low-rank-plus-sparse drift, the estimator reduces mean relative Frobenius error by 4.4--5.9\% versus localized Lasso and wins 89--92\% of paired paths. Component diagnostics show that these gains concern recovery of the total drift rather than exact identification of its low-rank and sparse components.