跳转至

Joint estimation of high-dimensional spiked covariance matrices via a partially shared subspace

作者: Changwon Yoon, Minwoo Kim, Sungkyu Jung, Jeongyoun Ahn
主题: 高维统计 / 随机矩阵
相关性: 8/10
链接: https://arxiv.org/abs/2607.08123

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：当目标数据集样本量有限，但存在一个或多个结构上相关的辅助（背景）数据集时，如何利用辅助数据来更准确地估计目标数据的高维协方差矩阵。核心挑战在于，辅助数据与目标数据既不完全相同（否则直接合并即可），也不完全无关（否则无法借用信息），而是共享部分底层结构。当前该方向的成熟度处于从“强假设/低维”向“弱假设/高维”过渡的阶段：早期方法要求共享全部特征向量或共享前导尖峰，近期方法开始允许部分共享，但大多仍缺乏高维比例增长（proportional-growth）下的理论保证。

发展脉络（history）

  • 奠基工作：Flury (1984, 1987) 提出了经典公共主成分分析（CPCA），要求所有 \(p\) 个特征向量在 \(K\) 组间完全相同，仅允许特征值不同。这是最严格的共享形式，在低维设定下可行，但在高维下几乎不现实。
  • 主要进展（放宽共享形式）：
  • Schott (1988, 1991) 将共享从“特征向量相等”放宽为“子空间相等”，即要求前 \(m\) 维子空间一致，而非具体基向量一致。这是向“部分共享”迈出的关键一步。
  • Wang et al. (2021) 和 Shi & Al Kontar (2024) 进一步允许共享非前导特征向量，即共享子空间可以出现在谱的任意位置。Shi & Al Kontar 的“个性化PCA”（PerPCA）用正交约束将共享与独有特征解耦。
  • Franks & Hoff (2019) 将部分公共子空间推广到高维，但采用贝叶斯框架，且假设没有组特异性尖峰结构（即共享子空间之外无额外尖峰）。
  • 当前 frontier（对比降维与迁移学习）：
  • 对比降维（CDR）：Abid et al. (2018) 提出对比PCA（cPCA），通过最大化 \(v^\top (S_X - \alpha S_Y) v\) 来提取目标数据中富集的模式。后续工作（Severson et al. 2019, Li, Jones & Engelhardt 2024, de Oliveira et al. 2025）发展了模型化或无调参的变体。但 Hawke et al. (2025) 的综述指出，这些方法几乎都在低维范式下运作，缺乏高维比例增长下的统计保证。
  • 迁移学习：Li et al. (2023)、Ren et al. (2024) 等针对高斯图模型，Li, Qin, He, Zhou & Zhang (2024)、Hendy & Dar (2024) 针对PCA，都要求目标与源参数在某种矩阵范数下接近，或对比矩阵稀疏。这些是“参数接近”条件，而非“子空间共享”条件。
  • 本文的位置：本文提出的部分共享子空间（PSS）模型，严格推广了 Franks & Hoff (2019) 和 Shi & Al Kontar (2024) 的模型（当 \(K=2\) 时，后两者都是PSS的特例），同时填补了CDR在高维设定下缺乏原则性估计器的理论空白。与迁移学习路线不同，PSS不要求参数接近，而是要求几何条件（共享一个低维子空间），这天然防止了负迁移（若背景无共享结构，估计的共享维数会坍缩为零）。

子线索聚类

这些被引文献大致落在三条子线索上： 1. 公共主成分分析（CPCA）及其变体：Flury (1984, 1987), Schott (1988, 1991), Wang et al. (2021)。核心是假设多个协方差矩阵共享部分或全部特征向量/子空间，但大多在固定维数或低维渐近下工作。 2. 对比降维（CDR）：Abid et al. (2018), Severson et al. (2019), Li, Jones & Engelhardt (2024), de Oliveira et al. (2025), Hawke et al. (2024, 2025), Zhang & Li (2025)。核心是提取目标数据中相对于背景数据富集的低维结构，但缺乏高维理论保证。 3. 高维迁移学习：Li et al. (2023), Ren et al. (2024), Li, Qin, He, Zhou & Zhang (2024), Hendy & Dar (2024), Cai & Kim (2024)。核心是利用辅助数据提升目标参数估计效率，但通常要求参数接近或对比矩阵稀疏。

这个方向在追问的核心问题

  1. 如何定义“共享结构”：是共享特征向量（CPCA），共享子空间（Schott），还是共享部分子空间且允许任意谱位置（本文）？不同定义导致不同的估计策略和理论难度。
  2. 如何在高维比例增长下保证估计一致性：当 \(p/n \to c\) 时，样本特征向量不一致，样本特征值有偏，如何利用随机矩阵理论（如BBP相变）来校正？
  3. 如何最优地合并两个数据集的信息：简单的样本合并（pooled sample covariance）会引入偏差，需要设计原则性的池化权重。
  4. 如何将共享-独有分解用于对比分析：CDR方法需要高维理论保证，而PSS的独有子空间天然提供了这种保证。

⚠️ 作者的 framing

作者把缺口 frame 成：现有方法要么假设共享子空间由前导尖峰构成（CPCA），要么假设共享子空间之外无额外尖峰（Franks & Hoff），要么缺乏高维理论保证（CDR）。因此，本文的PSS模型成为“显然的下一步”：它允许共享子空间秩未知、谱位置任意，且每个数据集保留自己的独有尖峰方向，同时在高维比例增长下提供渐近理论。

被淡化或回避的竞争路线： - 迁移学习路线（Li et al. 2023, Hendy & Dar 2024）被作者定位为“依赖参数接近条件”，而PSS是“几何条件”。但作者没有讨论：当参数接近条件成立时，PSS是否比这些方法更优或更差？模拟中也没有与这些方法直接对比。 - 贝叶斯方法（Franks & Hoff 2019）被提及，但作者没有深入讨论其在高维下的计算可行性或先验敏感性。

什么明显该被引/该存在、却没出现在 intro 里： - Donoho, Gavish & Johnstone (2018) 的最优特征值收缩：作者在讨论中提到了这个方向，但intro中未将其作为竞争路线。该工作提供了在spiked模型下协方差矩阵最优估计的完整理论，而PSS主要改进的是特征向量估计。两者结合可能是自然延伸，但作者未在intro中铺垫。 - Ke, Ma & Lin (2020) 的尖峰数估计：作者在方法中使用了该工作来估计 \(r_X, r_Y\)，但intro中未将其作为“已有工具”来定位。

张力

未见明显对立引用。各条线索的工作在各自假设下自洽，但彼此之间缺乏交叉验证。例如，CDR方法声称能提取“富集”信号，但PSS的模拟显示，在混合谱位置下，CDE（Hawke et al. 2024）几乎完全失效（估计的共享秩接近0），而PSS表现良好。这暗示CDR方法可能对谱位置敏感，但作者没有直接讨论这一张力。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \(p\)：变量维数。 - \(n_X, n_Y\)：目标数据集 \(X\) 和背景数据集 \(Y\) 的样本量。 - \(\Sigma_X, \Sigma_Y \in \mathbb{R}^{p \times p}\)：目标与背景的总体协方差矩阵。 - \(r_X, r_Y\)：\(\Sigma_X\) 和 \(\Sigma_Y\) 的尖峰（spike）个数。 - \(\lambda_1 > \dots > \lambda_{r_X} > \tau^2\)：\(\Sigma_X\) 的尖峰特征值；\(\tau^2\) 是噪声水平（bulk level）。 - \(\gamma_1 > \dots > \gamma_{r_Y} > \eta^2\)：\(\Sigma_Y\) 的尖峰特征值；\(\eta^2\) 是噪声水平。 - \(Q = [q_1, \dots, q_{r_X}] \in \mathcal{O}^{p \times r_X}\)：\(\Sigma_X\) 的尖峰特征向量矩阵（半正交）。 - \(U = [u_1, \dots, u_{r_Y}] \in \mathcal{O}^{p \times r_Y}\)：\(\Sigma_Y\) 的尖峰特征向量矩阵。 - \(r_S\)：共享子空间的维数（待估的核心参数）。 - \(d_X = r_X - r_S, d_Y = r_Y - r_S\)：各自独有的尖峰方向个数。 - \(Q_S \in \mathcal{O}^{p \times r_S}, U_S \in \mathcal{O}^{p \times r_S}\)：共享子空间的基，满足 \(\text{span}(Q_S) = \text{span}(U_S)\)，即存在旋转矩阵 \(R\) 使得 \(U_S = Q_S R\)。 - \(Q_D \in \mathcal{O}^{p \times d_X}, U_D \in \mathcal{O}^{p \times d_Y}\)：各自独有的尖峰方向基。 - \(\Psi_X \subseteq \{1, \dots, r_X\}, \Psi_Y \subseteq \{1, \dots, r_Y\}\)：共享尖峰在各自谱中的索引集，\(|\Psi_X| = |\Psi_Y| = r_S\)。 - \(S_X, S_Y\)：样本协方差矩阵。 - \(\hat{Q}, \hat{U}\)：样本特征向量矩阵。 - \(\hat{\lambda}_i, \hat{\gamma}_j\)：样本特征值。 - \(c_X = p/n_X, c_Y = p/n_Y\)：比例增长下的极限纵横比。 - \(\phi_c(\ell) = \sqrt{(1 - c/(\ell-1)^2) / (1 + c/(\ell-1))}\)：BBP相变中的衰减因子，\(\ell > 1 + \sqrt{c}\)。

模型（PSS模型，公式(1)）：

\[\Sigma_X = Q_S \Lambda_S Q_S^\top + Q_D \Lambda_D Q_D^\top + I_p, \quad \Sigma_Y = U_S \Gamma_S U_S^\top + U_D \Gamma_D U_D^\top + I_p.\]
其中 \(\Lambda_S, \Lambda_D, \Gamma_S, \Gamma_D\) 是对角矩阵，包含对应的尖峰特征值减去噪声水平（噪声水平已归一化为1）。共享子空间 \(\text{span}(Q_S) = \text{span}(U_S)\)，且与各自独有子空间正交：\(Q_S \perp Q_D, U_S \perp U_D\)，以及跨数据集正交：\(Q_S \perp U_D, U_S \perp Q_D\)。

可观测数据： - 研究者能观测到的是两个独立样本 \(\{X_i\}_{i=1}^{n_X}\) 和 \(\{Y_i\}_{i=1}^{n_Y}\)，均来自零均值高斯分布。 - 由此可计算样本协方差矩阵 \(S_X, S_Y\)，以及它们的特征分解 \((\hat{\lambda}_i, \hat{q}_i)\) 和 \((\hat{\gamma}_j, \hat{u}_j)\)。 - 不可直接观测的是：共享子空间的维数 \(r_S\)、索引集 \(\Psi_X, \Psi_Y\)、旋转矩阵 \(R\)、以及独有子空间 \(Q_D, U_D\)。这些只能通过假设和统计推断来识别。

第二步：最小内核

最简特例：假设两个数据集共享一个一维子空间（\(r_S = 1\)），且这个共享方向恰好是各自谱中的第一个尖峰（即 \(\Psi_X = \{1\}, \Psi_Y = \{1\}\)）。那么 \(Q_S = q_1, U_S = u_1\)，且 \(u_1 = q_1\)（旋转矩阵 \(R\) 退化为标量1，因为一维旋转只有符号）。此时PSS模型退化为：

\[\Sigma_X = \lambda_1 q_1 q_1^\top + Q_D \Lambda_D Q_D^\top + I_p, \quad \Sigma_Y = \gamma_1 q_1 q_1^\top + U_D \Gamma_D U_D^\top + I_p.\]
核心问题是：如何利用背景数据 \(Y\) 来改进对 \(\Sigma_X\) 中共享方向 \(q_1\) 的估计？

核心思路： 1. 检测共享：计算样本特征向量 \(\hat{q}_1\) 和 \(\hat{u}_1\) 的内积绝对值 \(|\langle \hat{q}_1, \hat{u}_1 \rangle|\)。由 Lemma 2，它几乎必然收敛到 \(\phi_{c_X}(\lambda_1) \phi_{c_Y}(\gamma_1) |\langle q_1, u_1 \rangle| = \phi_{c_X}(\lambda_1) \phi_{c_Y}(\gamma_1)\)（因为 \(q_1 = u_1\)）。由于 \(\phi_c(\cdot) < 1\)，这个极限严格小于1，但大于0。如果 \(q_1\) 和 \(u_1\) 不共享（即正交），则极限为0。因此，通过比较 \(|\langle \hat{q}_1, \hat{u}_1 \rangle|\) 与一个阈值，可以判断是否共享。 2. 合并信息：一旦确认共享，最优的共享子空间估计不是简单地取 \(\hat{q}_1\) 或 \(\hat{u}_1\)，而是对两个样本投影算子 \(\hat{P}_X = \hat{q}_1 \hat{q}_1^\top\) 和 \(\hat{P}_Y = \hat{u}_1 \hat{u}_1^\top\) 进行加权组合。Theorem 7 给出了闭式最优权重 \(\alpha^*\)，它由 \(c_X, c_Y, \lambda_1, \gamma_1\) 共同决定，而非简单的样本量比例。 3. 去偏：由于样本特征值有偏（Proposition 1），需要用去偏函数 \(d(\ell, c)\) 从样本特征值 \(\hat{\lambda}_1, \hat{\gamma}_1\) 反推出总体特征值的估计 \(\tilde{\lambda}_1, \tilde{\gamma}_1\)，才能构造正确的阈值和权重。

这个特例揭示了整篇论文的核心数学困难：在高维比例增长下，样本特征向量不一致（\(\phi_c < 1\)），导致样本内积被衰减；同时样本特征值有偏，需要去偏。PSS模型通过随机矩阵理论精确刻画了这些衰减，并据此设计了可操作的估计流程。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维比例增长（\(p/n \to c\)）下，如何利用一个结构相关的背景数据集来改进目标数据集的协方差矩阵估计，其中两个数据集共享一个秩未知、谱位置任意的子空间，同时各自保留独有的尖峰方向。
  2. 核心工具/方法：基于随机矩阵理论（BBP相变、样本特征向量内积的渐近行为）和主角度分析，提出了一个迭代算法来联合估计共享子空间的维数 \(r_S\) 和索引集 \(\Psi_X, \Psi_Y\)，并导出了闭式最优池化权重来合并两个数据集的投影算子。
  3. 主要结论：在比例增长假设下，共享子空间估计和索引集估计是相合的；最优池化权重由纵横比和尖峰大小共同决定，且池化增益严格为正；该方法填补了对比降维（CDR）在高维设定下缺乏理论保证的空白。

关键设定与假设

  • Assumption 1（比例增长）：\(p/n_X \to c_X \in (0, \infty)\)，\(p/n_Y \to c_Y \in (0, \infty)\)。这是高维随机矩阵理论的标准框架，允许维数与样本量同阶增长。
  • Assumption 2（所有尖峰可检测）：\(\lambda_{r_X} > 1 + \sqrt{c_X}\)，\(\gamma_{r_Y} > 1 + \sqrt{c_Y}\)。即所有尖峰都超过BBP相变阈值，确保每个样本尖峰特征向量都携带关于其总体对应物的信息。若某个尖峰低于阈值，其样本特征向量与噪声不可区分，无法用于估计。
  • Assumption 3（共享与独有子空间可分离）：\(\phi_{c_X}(\lambda_{r_S, S}) \phi_{c_Y}(\gamma_{r_S, S}) > \sigma_1(\Phi_{X,D} Q_D^\top U_D \Phi_{Y,D})\)。即共享子空间的最小奇异值（经衰减后）严格大于独有子空间的最大奇异值。这保证了在样本域中，共享与独有方向可以通过阈值分离。作者论证了该假设在高维下自然成立，因为独立的高维子空间几乎正交。
  • 高斯性：数据来自零均值高斯分布。这是为了利用随机矩阵理论中关于样本特征向量分布的精确结果（如Paul 2007）。作者在讨论中未提及对非高斯数据的鲁棒性。
  • 噪声水平归一化：\(\tau^2 = \eta^2 = 1\)。通过数据重缩放实现，不影响方法的一般性。
  • 尖峰互异：为简化假设，实际中若尖峰相等，样本特征向量可能混合，但作者未深入讨论。

相比已有文献： - 放宽：相比CPCA（Flury 1984），不要求所有特征向量共享；相比Schott (1988)，不要求共享子空间由前导尖峰构成；相比Franks & Hoff (2019)，允许独有尖峰存在。 - 强化：相比CDR方法（Abid et al. 2018），增加了高斯性和比例增长假设，但换来了理论保证。

主要结果

  • Theorem 3（样本主角度分解）：样本特征向量矩阵内积 \(\hat{Q}^\top \hat{U}\) 的奇异值几乎必然收敛到两个极限多集的并集：共享部分的 \(\sigma(\Phi_{X,S} R \Phi_{Y,S})\) 和独有部分的 \(\sigma(\Phi_{X,D} Q_D^\top U_D \Phi_{Y,D})\)。这为后续的秩估计提供了理论基础。
  • Theorem 5（共享秩估计相合性）：在Assumptions 1-3下，基于去偏特征值的阈值化估计 \(\hat{r}_S^*\) 是相合的。关键技巧是使用Lemma 4的下界 \(\phi_{c_X}(\lambda_{r_S,S}) \phi_{c_Y}(\gamma_{r_S,S})\) 作为阈值，该下界不依赖于未知的旋转矩阵 \(R\)。
  • Theorem 6（索引集估计相合性）：给定真实 \(r_S\)，通过比较单个样本投影算子与合并投影算子 \(\bar{P}_{r_S}\) 的Frobenius范数，可以相合地识别共享索引集 \(\Psi_X, \Psi_Y\)。
  • Theorem 7（最优池化权重）：共享子空间投影矩阵的估计 \(\hat{P}_S^{(\alpha)}\) 的渐近Frobenius损失可以近似为 \(L^\dagger(\alpha) = \alpha L_X + (1-\alpha) L_Y - \alpha(1-\alpha)(r_S - T)\)，其中 \(L_X, L_Y\) 是单数据集损失，\(T\) 是共享子空间对齐度。最优权重 \(\alpha^* = 1/2 + (L_Y - L_X) / [2(r_S - T)]\) 由信号强度和样本量共同决定，且池化增益 \(r_S - T > 0\) 严格为正。

证明路线与技术技巧

整体路线（以共享秩估计为例）： 1. Step 1：刻画样本主角度。利用Lemma 2（样本特征向量内积的渐近行为）和Lemma A-C（高维随机向量的正交性），证明 \(\hat{Q}^\top \hat{U}\) 的奇异值分解为共享和独有两部分（Theorem 3）。 2. Step 2：构造可计算的阈值。Lemma 4给出共享部分最小奇异值的下界，该下界仅依赖于最小的共享尖峰，不依赖于旋转矩阵 \(R\)。用去偏函数 \(d(\ell, c)\) 从样本特征值估计这些尖峰。 3. Step 3：证明阈值分离性。Assumption 3保证共享奇异值全部大于该下界，而独有奇异值全部小于该下界。因此，计数超过阈值的奇异值个数即可相合地估计 \(r_S\)（Theorem 5）。 4. Step 4：处理循环依赖。秩估计需要知道最大共享索引（以确定最小的共享尖峰），而索引估计需要知道秩。Algorithm 1通过迭代解决：从最保守的初始值（假设所有尖峰都是共享的）开始，交替更新秩和索引，直到收敛。

关键跳跃点： - Lemma 2的证明：将样本特征向量分解为信号部分和噪声部分，信号部分用Proposition 1（BBP相变）处理，噪声部分用高维随机向量正交性（Lemma B, C）处理。这是整个理论的基础。 - Theorem 3的证明：利用Lemma 2证明 \(\hat{Q}^\top \hat{U}\) 的离对角块（共享与独有之间）几乎必然收敛到零，从而极限矩阵是块对角的。这依赖于跨数据集的正交性 \(Q_S \perp U_D\) 和 \(U_S \perp Q_D\)。 - Theorem 6的证明：关键步骤是证明合并投影算子 \(\bar{P}_{r_S}\) 收敛到共享子空间的投影。这需要用到加权版本的Lemma D（两个投影算子之和的特征分解），以及Assumption 3保证的谱间隙。 - Theorem 7的证明：渐近损失 \(L(\alpha)\) 的精确形式（公式(8)）很复杂，作者通过近似（当共享奇异值接近1时）得到了简洁的 \(L^\dagger(\alpha)\)。这个近似在“强对齐”时准确，而强对齐正是池化最有用的场景。

技术技巧点名： - 随机矩阵理论：BBP相变（Proposition 1）用于刻画样本特征值和特征向量的渐近行为。 - 主角度分析：用 \(\hat{Q}^\top \hat{U}\) 的奇异值来度量两个样本子空间的对齐程度。 - 去偏函数：\(d(\ell, c)\) 用于从有偏的样本特征值反推总体特征值。 - 迭代算法：解决秩估计和索引估计之间的循环依赖。 - Frobenius范数下的渐近损失近似：通过将投影算子之差展开为幂级数，并利用迹运算的线性性，得到闭式近似。

真实例子与应用

  • 例子1：COVID-19早期投资组合构建
  • 数据：S&P 500成分股（\(p=499\)），目标期为2019年12月-2020年2月（\(n_X=61\)），背景期为前18个月（\(n_Y=378\)）。
  • 方法应用：用PSS估计目标协方差矩阵 \(\hat{\Sigma}_X\)，然后构造全局最小方差（GMV）投资组合。估计得到 \(\hat{r}_X=10, \hat{r}_Y=35, \hat{r}_S=9\)。
  • 结果：PSS组合在2020年3月的样本外波动率最低，持续低于MgCov、PerPCA、样本协方差、尖峰估计和简单合并估计，甚至低于S&P 500指数和等权组合。

  • 说明什么：验证了PSS在真实高维金融数据中的有效性，特别是当目标期样本量极小（\(n_X=61\)）而背景期数据充足但结构不同时。共享子空间（\(\hat{r}_S=9\)）捕捉了跨时期的系统性风险因子，而独有子空间的第一方向（\(\hat{q}_{D,1}\)）的负载揭示了疫情受益/受损行业，具有经济解释性。

  • 例子2：LGG脑肿瘤基因表达对比分析

  • 数据：TCGA的509个低级别胶质瘤（LGG）样本（目标）和GTEx的1152个正常脑组织样本（背景），经方差过滤后 \(p=1000\)。
  • 方法应用：用PSS估计共享和独有子空间，然后将LGG样本投影到不同子空间上，观察两个分子亚型（星形细胞瘤和少突胶质细胞瘤）的分离情况。
  • 结果：PSS的独有子空间清晰分离了两个亚型，而共享子空间（仅保留肿瘤与正常组织共有的结构）无法分离。对比方法（pcPCA和gcPCA）均未能恢复亚型分离。
  • 说明什么：展示了PSS在对比分析中的优势：其独有子空间天然提取了目标数据中相对于背景数据富集的信号，且在高维（\(p=1000\)）下仍有效，而现有CDR方法缺乏这种理论保证。

🔎 结论是否比证明窄

  • Theorem 7的近似损失：作者明确指出 \(L^\dagger(\alpha)\) 是近似，且“当共享奇异值接近1时更准确”。这意味着在弱对齐（共享信号弱）时，最优权重 \(\alpha^*\) 的公式可能不准确。作者在模拟中验证了 \(\hat{\alpha}\) 接近 \(\alpha^*\)，但未提供弱对齐场景下的表现。
  • Algorithm 1的收敛性：作者承认“算法终止并非普遍保证”，但声称在模拟中“仅需几次迭代就达到稳定不动点”。没有提供理论上的收敛性证明，也没有讨论可能的不收敛情况（如周期循环）。
  • 高斯性假设：所有理论结果都基于高斯数据。作者在模拟中测试了模型误设（Model I，共享子空间近似对齐），但未测试非高斯数据。因此，结论的适用范围严格限于高斯或近似高斯数据。
  • 噪声水平已知：假设 \(\tau^2 = \eta^2 = 1\)（通过重缩放实现）。在实际中，噪声水平需要估计，作者引用了Ke et al. (2023)的方法，但未讨论该估计误差对后续步骤的影响。

四、开放问题（点到为止，扎根具体语句）

  1. 有限样本下截止值 \(\epsilon\) 的自适应选择：作者在Appendix A4.2中比较了三种选择（\(\epsilon=0\)、启发式 \(1/\sqrt{n_X+n_Y}\)、参数bootstrap），发现“没有一种策略在所有情况下占优”，并指出“一个原则性的、适应于情形的 \(\epsilon\) 选择规则将是有用的未来方向”。（扎根于Appendix A4.2末尾：“a principled, regime-adaptive rule for selecting \(\epsilon\) would be a useful direction for future work.”）

  2. 扩展到多个背景数据集：作者在讨论中提出“最自然的扩展是将框架推广到多个背景数据集”，并指出“主角度机制需要被多子空间类比所替代，沿着Feng et al. (2018)的思路”。这涉及如何定义和估计一个连贯的共享结构，当不同背景数据集与目标共享不同方面时。（扎根于Section 6：“The most natural direction is to generalize the framework to multiple background datasets…”）

  3. 结合特征值收缩：作者提到“我们的程序通过更好的特征向量估计来改进估计，但估计误差可以通过结合Donoho et al. (2018)的收缩方法或Sifaou et al. (2020)的任务特异性收缩来进一步降低”。这提出了一个具体的技术问题：如何将PSS的特征向量改进与最优特征值收缩相结合，以获得协方差矩阵的全局最优估计。（扎根于Section 6：“estimation error could be further reduced by combining this with the shrinkage approaches of Donoho et al. (2018)…”）

  4. 非高斯数据下的鲁棒性：所有理论都基于高斯假设。一个开放问题是：PSS的估计量在椭圆分布或更一般的亚高斯分布下是否仍然相合？衰减因子 \(\phi_c(\ell)\) 是否仍然成立？这需要更一般的随机矩阵理论结果。（扎根于Assumption 1-3和Lemma 2的证明中对高斯性的依赖。）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论