测度集中与大随机矩阵,及其应用于样本协方差矩阵
使用半群方法推导出非线性的矩阵不等式,并证明了 Bakry-Emery 曲率条件意味着矩阵 Lipschitz 函数的半高斯浓度,从而为推导矩阵浓度不等式提供了一种新的思路。
Jun, 2020
本文通过插值化技巧,基于 Sourav Chatterjee 所发展的浓度理论,证明了一类随机矩阵谱范数的指数浓度不等式和多项式矩不等式,可以用来界定独立或相关随机矩阵的和以及其他矩阵值的函数。
Jan, 2012
本文采用 Talagrand 的不等式证明了各种随机对称矩阵的前几个最大的(也是最重要的)特征值非常强烈地集中。这种强烈的集中现象使我们能够高精度地计算这些特征值的均值。我们的方法非常不同于传统方法。
Sep, 2000
该论文在运输距离中建立了多个独立变量经验测量的一些定量浓度估计。作为应用,我们为模型均场问题中的粒子模拟提供了一些误差界限。工具包括耦合论证,以及某些扩散偏微分方程解的正则性和矩估计。
Mar, 2005
本文提出了新型 Orlicz 偏差的概念 —— 广义 Bernstein-Orlicz 偏差,并基于更一般的指数类(即子 Weibull)尾巴假设,推导了一系列与高维统计分析有关的概率学不等式,进而应用于高维数据分析领域,包括 HD 协方差矩阵估计和 Lasso 估计器的收敛率分析等。
Apr, 2018
本文运用随机矩阵理论诱导的 “浓度” 现象对这些随机特征图 Gram 矩阵的谱分析,为更深入地理解非线性和数据统计学的相互作用提供了基础,从而实现了更好的随机特征技术调优。
May, 2018
提出一种构建稀疏估计器的方法,用于高维背景下的逆协方差(浓度)矩阵,使用罚函数正态似然方法强制使用 Lasso 型惩罚,并在数据维数 $p$ 和样本量 $n$ 随着增长收敛速率之间建立 Frobenius 范数。同时对真实浓度矩阵进行稀疏度量,提出一种基于相关性的方法,在操作规范下具有更好的收敛速率,推出一种快速迭代算法用于计算估计值,利用常用的 Cholesky 分解反演,得到一种置换不变的估算法,文中将这种方法应用于癌症组织分类的基因表达数据上,并与其他估算方法进行了比较。
Jan, 2008
研究随机向量的集中性质,其中 X =(X1,...,Xn)具有独立坐标,而 A 是给定的矩阵。我们证明,只要 X 的分布在线上很好地分布,AX 的分布就会在空间中得到很好的展开。
Feb, 2014