Assumption-Lean Inference for Spectral Differential Network Analysis of High-Dimensional Time Series
高维时间序列频谱差异网络分析的少假设推断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：摘要直接研究多变量时间序列的逆谱密度、频域依赖网络及其高维统计推断。
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…
关注这篇论文的作者
高维时间序列频谱差异网络分析的少假设推断
- 研究问题
- 如何在高维多变量时间序列中，直接估计两种条件下逆谱密度网络的差异，并兼顾高斯近似、渐近推断和计算可行性？
- 方法与思路
- 作者针对去偏 D-trace 估计建立高斯近似误差界，用于指导 Welch 谱估计的窗口选择，并开发广义 D-trace 算法。
- 材料陈述的贡献
- 摘要称给出近似误差界及估计量渐近正态性，并以算法缓解高维推断的计算负担，使用模拟与脑电数据展示方法。
- 阅读关注点
- 应核对时间依赖、维度增长及网络结构条件，窗口长度的选择依据，以及去偏误差和频率层面的推断范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列明具体假设与误差界，题名中的少假设不能解释为无需假设。
原文摘要
Network analysis for multivariate time series is popular in many fields, from neuroscience to seismology. The inverse spectral density is a common choice for time series network analysis due to its representation of the frequency domain correlation between two variables after removing the best linear predictor of all other variables. In many applications, the goal is to study how these networks change across different conditions. For example, in neuroscience, one might be interested in how the brain connectivity network changes before and after stimulation. Towards this goal, we develop an inference framework based on a direct estimate of the difference in two high-dimensional inverse spectral densities. We develop a new Gaussian approximation error bound for any de-biased D-trace estimation procedure which is then leveraged to both inform optimal window sizes of Welch's estimators of the spectral density and establish asymptotic normality of our de-biased D-trace estimator. Moreover, we develop an efficient algorithm based on a generalized D-trace estimation procedure to overcome the computational complexity of high-dimensional inference. The method is illustrated on synthetic data experiments and on experiments with electroencephalography data.