跳转至

2026-09-18 每日 arXiv 资讯

  • 高相关论文 0 篇 · 中相关 0 篇 · 会议/Seminar 事件 0 条

✍️ 手动录入的论文（精读）

你手动录入（粘贴 arXiv 链接 / 标题）申请精读、或收藏后补读的论文，由当天的定时任务精读。点标题旁的 🔍 精读 查看解读。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 2205.10280 — Estimation of smooth functionals of covariance operators: jackknife bias reduction and bounds in terms of effective rank

  • 作者: Vladimir Koltchinskii
  • 机构: Georgia Institute of Technology · Institut Henri Poincaré
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 在可分离 Banach 空间上的高斯观测设定下，研究光滑泛函 f(Σ) 的估计问题，其中 Σ 是未知协方差算子，复杂度由有效秩 r(Σ) 刻画。采用 jackknife 型偏差削减构造估计量，并分析其 Orlicz 范数误差率对有效秩、样本量 n 和泛函 Hölder 光滑度 s 的依赖。主要结果表明，当 r(Σ)≲n^α 且 s≥1/(1-α) 时，可达到经典 √n 速率；若 s>1/(1-α)，则估计量具有渐近正态性和渐近有效性。该结果将此前仅对有限维且谱有界远离零的协方差矩阵成立的结论推广到无限维设定。对您而言，该文将有效秩与泛函光滑度条件联系起来，为高维统计中协方差泛函估计的 minimax 与效率理论提供了新的视角，且其证明技术（如高斯浓度与算子范数界）与您熟悉的高维渐近工具直接相关。
  • 关键技术: jackknife bias reduction, effective rank, Orlicz norm error bounds, Hölder smooth functionals, asymptotic efficiency, Gaussian concentration
  • 为什么对您有用: 该文直接关联您的高维统计与效率理论兴趣，特别是协方差算子泛函估计的渐近效率问题；您可运用 very_familiar 的高维渐近与 minimax 界工具来验证其速率条件是否紧，或将其推广到非高斯设定，属于立即可做的 follow-up。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论