Robust low-rank covariance matrix estimation with a general pattern of missing values
一般缺失模式下的稳健低秩协方差矩阵估计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：摘要研究通用低秩协方差估计，时间序列仅出现在应用数据中，不足以归入时间序列或因子模型细分。
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…
一般缺失模式下的稳健低秩协方差矩阵估计
- 研究问题
- 研究数据同时具有缺失值、厚尾异质性和低秩信号结构时，如何估计协方差矩阵并利用这些结构改进后续分析。
- 方法与思路
- 作者采用尺度化高斯混合的稳健低秩模型，以观测数据似然为基础设计 EM 算法，并允许一般形式的缺失位置模式。
- 材料陈述的贡献
- 摘要提出兼顾厚尾稳健性与低秩结构的协方差估计程序，通过模拟验证，并在含缺失值的两个真实数据集上评估分类和聚类用途。
- 阅读关注点
- 应核对尺度混合模型和低秩约束的具体形式、缺失机制对似然的影响，以及 EM 的初始化、收敛和下游评价设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；一般缺失位置模式不等于任意缺失机制有效，摘要未说明相关机制假设。
原文摘要
This paper tackles the problem of robust covariance matrix estimation when the data is incomplete. Classical statistical estimation methodologies are usually built upon the Gaussian assumption, whereas existing robust estimation ones assume unstructured signal models. The former can be inaccurate in real-world data sets in which heterogeneity causes heavy-tail distributions, while the latter does not profit from the usual low-rank structure of the signal. Taking advantage of both worlds, a covariance matrix estimation procedure is designed on a robust (mixture of scaled Gaussian) low-rank model by leveraging the observed-data likelihood function within an expectation-maximization algorithm. It is also designed to handle general pattern of missing values. The proposed procedure is first validated on simulated data sets. Then, its interest for classification and clustering applications is assessed on two real data sets with missing values, which include multispectral and hyperspectral time series.