Estimation of large covariance and precision matrices from temporally dependent observations
时间依赖观测下高维协方差与精度矩阵的估计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：摘要明确研究时间依赖、长程记忆与时间序列观测下的矩阵估计，因此归入时间序列；所述应用实际为脑成像数据。
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…
时间依赖观测下高维协方差与精度矩阵的估计
- 研究问题
- 当高维观测具有缓慢衰减乃至长程时间依赖，且可能带有重尾时，常用协方差与精度矩阵估计方法是否仍适用？
- 方法与思路
- 作者分析广义阈值化、受约束的 ℓ₁ 最小化和 ℓ₁ 惩罚似然方法，并提出带间隔的分块交叉验证来选择调节参数。
- 材料陈述的贡献
- 摘要称，文章建立时间依赖下的收敛速度、稀疏结构与符号恢复一致性，提出调参方法，并以长程依赖的脑成像序列作应用。
- 阅读关注点
- 应核对时间依赖的度量、尾部与稀疏性条件、维度增长限制，以及分块间隔如何设定、模拟和脑功能连接分析如何验证。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出具体依赖条件、收敛界或模拟数值，不能判断对任意长记忆数据均有效。
原文摘要
We consider the estimation of large covariance and precision matrices from high-dimensional sub-Gaussian or heavier-tailed observations with slowly decaying temporal dependence. The temporal dependence is allowed to be long-range so with longer memory than those considered in the current literature. We show that several commonly used methods for independent observations can be applied to the temporally dependent data. In particular, the rates of convergence are obtained for the generalized thresholding estimation of covariance and correlation matrices, and for the constrained $\ell_{1}$ minimization and the $\ell_{1}$ penalized likelihood estimation of precision matrix. Properties of sparsistency and sign-consistency are also established. A gap-block cross-validation method is proposed for the tuning parameter selection, which performs well in simulations. As a motivating example, we study the brain functional connectivity using resting-state fMRI time series data with long-range temporal dependence.