收縮共變異數估計（Ledoit–Wolf）／收縮 LDA

樣本共變異數矩陣 S 是不偏但高變異的估計量；在高維下其極端特徵值有偏（最大者被放大、最小者被壓向零），因此取反矩陣會放大雜訊。收縮法以凸組合 (1 − γ)·S + γ·ν·I 取代 S，將特徵值拉向平均特徵值 ν 並改善反矩陣的條件數。收縮強度 γ 於 [0, 1] 之間，以偏誤換取變異。

Ledoit 與 Wolf 推導出一個解析、由資料驅動的 γ，使對真實共變異數的期望 Frobenius 誤差最小，且無需交叉驗證。將此正則化共變異數代入 LDA 即得收縮 LDA，是 ERP 與振盪型 BCI 事實上的標準線性解碼器：幾乎不需參數、在特徵多於試次時穩健，且通常以極低成本追平或勝過經交叉驗證調校的脊迴歸。