Symmetry-Aware Convex Shrinkage for High-Dimensional Covariance Estimation
对称性感知的高维协方差凸收缩估计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：摘要聚焦高维协方差估计的统计方法与理论，涉及金融、气候、基因组等应用，但未直接对应所给微观、宏观或金融领域细分中的任一方向，故不选择。
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
对称性感知的高维协方差凸收缩估计
- 研究问题
- 研究问题：在高维协方差估计中，如何利用数据中可能存在的有限对称群结构来构造收缩目标，并从候选群中自适应地选择群，从而改进估计精度。
- 方法与思路
- 方法思路：作者提出一类数据自适应收缩估计量，收缩目标为样本协方差在候选对称群下的Reynolds投影；用留出负对数似然做逐候选评估，可选地先用领域先验构造候选库，再以两层程序选出群并校准凸组合权重。
- 材料陈述的贡献
- 摘要所述贡献：将Ledoit-Wolf凸收缩与Shah-Chandrasekaran群对称极大似然估计推广为结构化目标加自适应收缩、且群由数据选择；给出留出校准的有限样本遗憾界、数据驱动群选择的oracle不等式，以及优于Ledoit-Wolf的充分匹配条件。
- 阅读关注点
- 阅读时应核对：Reynolds投影与候选群库的具体构造、两层选择程序的实现细节、遗憾界与oracle不等式所需假设、充分匹配条件的可验证性，以及六个实证数据集的设置与对比口径。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断定理假设是否现实、实证比较是否公平、代码与数据是否可复现；摘要称在少样本情形外Ledoit-Wolf仍是合适基线，但未给出具体数值结果。
原文摘要
We develop a class of data-adaptive shrinkage estimators for high-dimensional covariance estimation in which the shrinkage target is a Reynolds projection of the sample covariance under a finite symmetry group selected from a candidate library by held-out predictive performance. The class generalizes the convex shrinkage estimator of Ledoit and Wolf by replacing the scalar-identity target with a structured target derived from a symmetry group when one is available, and generalizes the group-symmetric maximum-likelihood estimator of Shah and Chandrasekaran by combining structural targeting with adaptive convex shrinkage and by selecting the group from data rather than treating it as prespecified. A two-tier procedure performs the group selection: a universal per-candidate evaluation based on held-out negative log-likelihood, optionally preceded by a domain-specific step that constructs the candidate library from structural priors. We establish a finite-sample regret bound for the held-out calibration of the convex combination weight, an oracle inequality for the data-driven group selection, and a quantitative sufficient-match condition under which the proposed estimator dominates Ledoit-Wolf shrinkage in Frobenius mean-squared error. The procedure is illustrated on six real-data problems spanning finance (S&P~500 daily returns), climate (NOAA OISST sea-surface temperature anomalies), genomics (TCGA-BRCA gene expression), radio signal processing (RadioML 2018.A), astronomical imaging (Galaxy10 DECaLS), and natural image patches (CIFAR-10 with a CIFAR-10.1 distribution-shift companion). An empirical comparison is also made against the Bayesian permutation-symmetry estimator of Chojecki and colleagues. Outside the few-shot regime, where structural priors carry the most information per observation, Ledoit-Wolf shrinkage remains the appropriate baseline.