使用随机矩阵理论的方法估计协方差矩阵中的 Fréchet 均值，在处理低样本支持和大量需要平均的矩阵时表现优于现有方法。

May, 2024

该论文提供了一系列新的技术和理论工具，旨在使用二至无限范数研究奇异子空间的几何结构，并推导出奇异向量的扰动边界，这在各种统计应用中具有重要意义，包括协方差估计、奇异子空间恢复和多图推断等。

May, 2017

本文提出了一种新的概率分布 —— 结构化协方差矩阵的高斯分布，以应对在计算机视觉、生物医学信号和图像处理、雷达数据处理中使用 Riemannian 几何技术处理结构化协方差矩阵的挑战。通过在 Riemannian 对称空间上发展高斯分布的原理和应用，提供了一种建模方法和统计学基础，并提出了密度估计和分类等有效的统计学习算法。

Jul, 2016

使用测地线进行协方差矩阵建模，通过最小化样本协方差矩阵到测地线的距离解决代表性协方差矩阵的选择问题，并展示了其在有噪声数据下解决方案的精度较高。

Jan, 2020

提出了一种在不强加限制性假设的情况下构建协方差估计器的原则方法，通过最小化与接近名义分布的所有数据分布相关的最坏情况 Frobenius 误差来研究分布鲁棒协方差估计问题，证明了鲁棒估计器的有效计算性、渐近一致性和有限样本性能保证，并通过合成 Kullback-Leibler、Fisher-Rao 和 Wasserstein 散度的显式估计器来说明这一通用方法。基于合成和实际数据的数值实验表明，我们的鲁棒估计器与最先进的估计器具有相竞争的性能。

May, 2024

本文提出了一种基于协方差矩阵的图形表示方法，并定义了相似度测量方法，可用于社交网络的分类，同时该方法的计算效率高，可用于大规模实践，并对截断幂次迭代的研究提供了理论和实证支持。

Apr, 2014

本文研究数据分析中的低维数据表示问题，提出了一种名为扩散映射的算法，能够将复杂高维数据嵌入低维欧几里得空间，从而实现长时间演化系统的高效识别与聚类分析。

Mar, 2005

本研究探讨了函数数据分析和非欧几里得数据分析领域中的两个统计学问题：在多元分布的 Wasserstein 空间中确定 Fréchet 均值，以及畸变随机测量和点过程的最佳注册。研究表明，这两个问题在某种意义上是相互关联的，并通过利用 Wasserstein 空间的切向丛结构，通过梯度下降方法推导出了 Fréchet 均值，并表明这等效于 Procrustes 分析；然后构建了建模估计器，并证明了它们对总体平均值和总体 Procrustes 注册图的一致性。

Jan, 2017

该论文回顾了最近利用随机矩阵理论（RMT）工具估计大协方差矩阵的结果，介绍了几种 RMT 方法和分析技术，如复制品形式和免费概率等，并强调了 Marchenko-Pastur 方程，它提供了有关成倍污染的嘈杂矩阵的解的信息，特别关注经验相关矩阵的特征向量的统计学，说明这些结果特别适用于当没有先验关于基础过程结构的情况下构建大协方差矩阵的一致的 “旋转不变” 估算器（RIE），最后将一些真实世界的应用作为典型案例，确立 RIE 框架的实证效力，在这种情况下，发现其优于以前提出的所有方法。

Oct, 2016

本文介绍利用 Wasserstein 距离和最优输运理论分析数据集中随机概率测度（如多重直方图或点云）的最新统计学贡献，并重点介绍在 Wasserstein 空间中使用重心和测地线 PCA 的好处，用于学习数据集中几何变化的主要模式。同时，本文讨论了与统计优化输运相关的一些研究方向。

Jul, 2019