Bayesian Dynamic Tensor Regression
贝叶斯动态张量回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究自回归时间序列、脉冲响应以及多层网络中的冲击传播。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
贝叶斯动态张量回归
- 研究问题
- 如何为高维多维数组构建简约的动态模型，在保留张量结构的同时进行贝叶斯推断，并刻画多层网络中冲击的传播过程？
- 方法与思路
- 作者提出线性自回归张量过程，利用 PARAFAC 低秩分解减少参数，构建带收缩的贝叶斯推断，并推导对应的脉冲响应函数。
- 材料陈述的贡献
- 摘要称，该过程涵盖若干已有时间序列模型作为特例，研究其性质及脉冲响应，并展示冲击如何跨网络节点、层级与时间传播。
- 阅读关注点
- 应核对张量过程的稳定性、低秩分解的识别与秩选择、收缩先验的作用，以及脉冲响应能否解释为具有经济含义的结构冲击。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；具体稳定性条件、先验设定及冲击识别方案未说明，不能直接赋予响应因果含义，不推断刊本变化。
原文摘要
High- and multi-dimensional array data are becoming increasingly available. They admit a natural representation as tensors and call for appropriate statistical tools. We propose a new linear autoregressive tensor process (ART) for tensor-valued data, that encompasses some well-known time series models as special cases. We study its properties and derive the associated impulse response function. We exploit the PARAFAC low-rank decomposition for providing a parsimonious parameterization and develop a Bayesian inference allowing for shrinking effects. We apply the ART model to time series of multilayer networks and study the propagation of shocks across nodes, layers and time.