covariance matrix
PulseAugur coverage of covariance matrix — every cluster mentioning covariance matrix across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新方法从各向异性高斯图中恢复潜在内积
研究人员开发了一种从各向异性高斯随机几何图中恢复潜在内积的方法。该技术涉及使用双中心邻接矩阵和秩-d谱近似来估计这些内积，即使协方差矩阵病态也是如此。这种方法实现了与各向同性情况相当的均方误差率，并利用解耦论证来处理非线性误差项。
-
新研究推进因果发现中的条件独立性检验
两篇新研究论文探讨了条件独立性检验（CIT）的进展，CIT是统计推断、因果发现和变量选择的关键技术。第一篇论文介绍了MixCIT，一种专为混合类型数据设计的基于核的检验方法，它提供了一个统一、高效且具有统计保证的解决方案，克服了先前方法的局限性。第二篇论文深入探讨了CIT中的“元依赖性”，提出了一种几何直观和可计算的度量方法，以理解连续应用CIT的结果如何相互作用，并可能通过调整显著性阈值来改进因果发现。
-
arXiv论文详述高斯定位模型新估计器
研究人员开发了估计高斯定位模型中对数密度比的新方法，重点关注具有共同协方差矩阵的场景。该研究引入了正则化变分估计器和谱估计器，并推导了它们的高维渐近等价物。通过实验对这些方法进行了比较，结果表明变分估计器在观测值较多时表现更好，而谱估计器由于方差较低，在观测值较少时更受青睐。
-
新研究详细介绍了最小方差投资组合的协方差估计几何
一篇新发表在arXiv上的研究论文探讨了重尾金融收益下全局最小方差投资组合（GMVP）协方差估计的决策几何。该研究描述了协方差估计中的误差如何转化为GMVP的次优性，推导出了精确的遗憾恒等式和非渐近界。研究结果表明，GMVP的遗憾与误差矩阵的某些投影无关，并且与标准的矩阵范数损失评估相比，对于重尾数据提供了更精确的常数和集中折扣。这项工作通过提供精确的估计几何和一致性理论，补充了现有的以决策为中心的学习方法。
-
新的机器学习方法通过学习系统结构来检测涌现现象
研究人员开发了一种新的机器学习方法，旨在通过学习复杂系统的潜在因果结构来检测其中的涌现现象。该方法使用基于协方差或精度矩阵幂的估计器家族来调谐驱动关键事件的底层结构。该方法在预测客户流失和检测癫痫发作方面已显示出有效性，取得了有竞争力的结果，同时也提供了对可解释统计结构见解。