Spectral Differential Network Analysis for High-Dimensional Time Series
高维时间序列的谱差分网络分析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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究高维时间序列的逆谱密度差异；网络指谱关联结构，未涉及微观网络中的干扰效应。
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…
高维时间序列的谱差分网络分析
- 研究问题
- 在两个条件下的高维时间序列网络本身可能不稀疏、但网络差异稀疏时，如何直接估计其频域关联变化？
- 方法与思路
- 作者直接估计两个条件下逆谱密度之差，对差异施加 L1 惩罚，以避免分别估计完整网络后再相减。
- 材料陈述的贡献
- 摘要称仅要求差异稀疏即可建立所提估计的一致性，并通过合成数据和脑电数据展示方法的使用。
- 阅读关注点
- 应核对谱估计方式、差异稀疏的定义、其他一致性条件，以及频率维度和高维参数下的误差控制。
- 阅读边界
- 这是预印本，同行评审及接收未核实。摘要未列全部一致性条件；脑电谱网络差异也不能直接解释为因果连接变化。
原文摘要
Spectral networks derived from multivariate time series data arise in many domains, from brain science to Earth science. Often, it is of interest to study how these networks change under different conditions. For instance, to better understand epilepsy, it would be interesting to capture the changes in the brain connectivity network as a patient experiences a seizure, using electroencephalography data. A common approach relies on estimating the networks in each condition and calculating their difference. Such estimates may behave poorly in high dimensions as the networks themselves may not be sparse in structure while their difference may be. We build upon this observation to develop an estimator of the difference in inverse spectral densities across two conditions. Using an L1 penalty on the difference, consistency is established by only requiring the difference to be sparse. We illustrate the method on synthetic data experiments and on experiments with electroencephalography data.