我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
Gram-type矩阵及其谱分解对于统计学、应用数学、物理学和机器学习中的许多问题都至关重要。在本文中,我们仔细研究了当数据不一定独立时,大型Gram型矩阵谱分解的非渐近性质。具体来说,我们导出了右Gram矩阵的特征向量与它们的种群对应项之间偏差的指数尾界,以及这些偏差的Berry-Esseen型界。我们还获得了左Gram矩阵(即样本协方差矩阵)的特征值与它们的总体对应值之比的非渐近尾界,而与数据矩阵的大小无关。在一系列应用中进一步证明了所记录的非渐近性质,包括因子模型和相关机器学习问题中潜在因子估计数的非渐近特征,高维时间序列的估计和预测,大样本协方差矩阵的谱特性,如摄动界和谱投影的推断,以及使用相关数据进行低秩矩阵去噪。
作者感谢编辑、副编辑和审稿人的许多有益和建设性的评论。温州的工作得到了能源部拨款DE-SC0018344和国家科学基金会拨款IIS-1545994和IOS-1922701的部分支持。王浩南的研究得到了国家科学基金资助项目DMS-1737795、DMS-1923142和CNS-1932413的部分支持。
张柳欧(Lyuou Zhang)。 温州。 王浩南。 “大型Gram型矩阵谱分解的非症状特性及其应用。” 伯努利 28 (2) 1224 - 1249, 2022年5月。 https://doi.org/10.3150/21-BEJ1384