arXiv 1612.040592016-12math.STcs.ITmath.ITstat.TH

迭代协方差逼近下模型不确定性下的参数估计

Parameter Estimation Under Model Uncertainties by Iterative Covariance Approximation

Oliver Lang, Michael Lunglmayr, Mario Huemer

摘要：

我们提出了一种新的迭代算法来估计一个确定的，但未知的参数向量的存在模型的不确定性。该迭代算法基于系统模型，其中总噪声项描述测量噪声和由模型不确定性引起的噪声。该总噪声项是真实参数向量的函数，允许迭代算法。所提出的算法可以应用于结构化以及非结构化的模型，它优于现有技术的算法，广泛的应用。

英文摘要：

We propose a novel iterative algorithm for estimating a deterministic but unknown parameter vector in the presence of model uncertainties. This iterative algorithm is based on a system model where an overall noise term describes both, the measurement noise and the noise resulting from the model uncertainties. This overall noise term is a function of the true parameter vector, allowing for an iterative algorithm. The proposed algorithm can be applied on structured as well as unstructured models and it outperforms prior art algorithms for a broad range of applications.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

面向对称正定矩阵的迭代分块矩阵求逆（IBMI）算法及其在协方差矩阵中的应用

An Iterative Block Matrix Inversion (IBMI) Algorithm for Symmetric Positive Definite Matrices with Applications to Covariance Matrices

针对大型对称正定矩阵直接求逆复杂度极高的难题，提出迭代分块矩阵求逆算法IBMI，通过分块迭代逼近逆矩阵，证明两块非重叠方法收敛，数值结果支持多块重叠方法也收敛。

2025-09-02cs.NAmath.NAmath.ST

一种快速迭代鲁棒主成分分析方法

A Fast Iterative Robust Principal Component Analysis Method

提出快速迭代鲁棒PCA方法，通过增量PCA迭代估计内点位置和协方差，减轻离群值影响，在模拟和真实数据上验证了竞争性精度与更强鲁棒性。

2025-06-19cs.CEmath.STstat.TH

具有不确定协方差阵的线性模型的估计

Estimation for the Linear Model with Uncertain Covariance Matrices

在信号和噪声协方差阵均为不确定的线性观测模型下，得到了最大后验估计。不确定性处理概率建模的协方差阵与前逆Wishart分布。联合估计的信号和协方差阵的非凸问题是解决了计算效率的固定点迭代，以及近似变分贝叶斯解决方案。估计的统计性能进行了数值比较，从文献中的国家的最先进的估计，表现良好。

2014-01-28math.STstat.TH

含零点的协方差阵的估计

Estimation of a Covariance Matrix with Zeros

本文考虑在某些协方差为零的约束下，多元随机向量的协方差阵的估计。本文首先提出了一种算法，我们称之为迭代条件拟合，用于计算约束协方差阵的最大似然估计，在多元正态性的假设下。与以前的方法相比，该算法具有保证收敛性。放弃多元正态性的假设，我们展示了如何在经验似然方法中估计协方差阵。这些方法，然后通过模拟和基因表达的例子进行比较。

2005-08-15math.STstat.TH

稀疏主成分分析和迭代阈值法

Sparse principal component analysis and iterative thresholding

主成分分析（PCA）是一种经典的降维方法，它将数据投影到由协方差阵的前导特征向量所构成的主子空间上。然而，当特征数量p与样本量n相当或甚至比其大得多时，其表现较差。在本文中，我们提出了一个新的迭代阈值方法估计主子空间的设置中的领导特征向量稀疏。在尖峰协方差模型下，我们发现新方法在一系列高维稀疏设置中一致地恢复了主子空间和前导特征向量，甚至是最优的。仿真算例也证明了该算法的优越性。

2013-05-24math.STstat.MEstat.TH

基于迭代多重滤波的列表可解码均值估计

List-Decodable Mean Estimation via Iterative Multi-Filtering

University of Wisconsin, Madison（威斯康星大学麦迪逊分校）；University of California, San Diego（加利福尼亚大学圣迭戈分校）

研究了协方差分布有界时的{ \em列表可解均值估计}问题。具体来说，我们给出了一组$T$的点在$\mathbb{R}^d$的承诺，一个未知的$α$ -分数的点在$T$，其中$0< α< 1/2$，是从一个未知的平均值和有界协方差分布$D$，并没有假设对其余的点。目标是输出一个小的假设向量列表，使得其中至少有一个接近$D$的均值。我们给出了这个问题的第一个实际可行的估计。更详细地说，我们的算法是样本和计算效率，并实现信息理论上接近最优的错误。虽然这种设置的唯一先验算法固有地依赖于椭球方法，但我们的算法是迭代的，并且仅使用谱技术。我们的主要技术创新是设计了一个软离群点去除过程的高维重尾数据集与大多数离群点。

2020-06-20cs.DScs.LGmath.ST

更多相关论文收起更多论文

循环有理协方差延拓的新算法及其在区间平滑中的应用

A New Algorithm for Circulant Rational Covariance Extension and Applications to Finite-interval Smoothing

最近Lindquist和Picci基于广义熵泛函的凸优化解决了有限协方差数据周期过程的部分随机实现问题。这一标准的含义和作用起源不明。在本文中，我们提出了一个解决方案的基础上的非线性推广的经典Yule-Walker型方程和一个新的迭代算法，该算法收敛到相同的（唯一的）解决方案的变分问题。这提供了一个概念上的联系，变分原理，并在同一时间产生一个强大的算法，例如可以成功地应用到有限区间平滑问题，提供一个简单的程序，如果与经典的Riccati为基础的计算。

2016-09-29math.STstat.MEstat.TH

具有张量列车结构的协方差估计的无维度界

Dimension-free Bounds for Covariance Estimation with Tensor-Train Structure

HSE University（高等经济大学）

本文提出了一种基于张量列车结构的无维度协方差估计算法，通过TT-SVD和HOOI方法，在不依赖维度的情况下提供准确的协方差估计界。

2026-02-10math.STstat.TH

关于多维数据分析中协方差分离性

On Separability of Covariance in Multiway Data Analysis

University of California, Davis（加州大学戴维斯分校）；University of Michigan（密歇根大学）

本文研究多维数据协方差的分离性问题，通过量子信息理论证明通用多维协方差通常不可分离，且最佳分离近似为NP难问题，但标准算法能逼近最优解。

2026-03-18math.STstat.MEstat.TH

Kronecker 协方差矩阵的有理极大似然估计量

Rational Maximum Likelihood Estimators of Kronecker Covariance Matrices

本文针对具有 Kronecker 协方差结构的多元正态模型，发现在样本量与因子维度互质的特殊设定下，似然方程代数次数为 1，从而得出极大似然估计量的显式有理公式，并证明了该特殊设定外的部分逆命题。

2024-06-02math.STstat.TH

迭代谱降维的均值向量的近似Minimax稳健估计

Nearly minimax robust estimator of the mean vector by iterative spectral dimension reduction

CEREMADE（CEREMADE（巴黎多芬大学-PSL大学））；Université Paris Dauphine - PSL（巴黎多芬大学-PSL大学）；CREST；ENSAE（法国国家统计与经济管理学院）；IP Paris（巴黎综合理工学院联盟）

研究了次高斯分布下均值向量的稳健估计问题。我们介绍了一种基于谱降维（SDR）的估计器，并建立了一个有限样本上界，其误差是最小最大最优的对数因子。此外，我们证明了SDR估计的击穿点等于$1/2$，击穿点的最高可能值。此外，SDR估计器通过相似变换是等变的，并且具有低的计算复杂性。更准确地说，在$n$维向量为$p$的情况下--最多$\varepsilon n$被逆向破坏--SDR估计器具有$\big(\frac{r_Σ}{n} + \varepsilon^2\log(1/\varepsilon)\big){\log p}$阶的平方误差和$p^3 + n p^2$阶的运行时间。这里，$r_Σ\le p$是参考分布的协方差阵的有效秩。SDR估计器的另一个优点是它不需要污染率的知识，也不涉及样本分割。我们还研究了所提出的算法和所获得的结果的情况下（部分）未知的协方差阵的扩展。

2022-04-05cs.LGmath.STstat.TH