Associating High-Dimensional Longitudinal Datasets through an Efficient Cross-Covariance Decomposition
基于高效交叉协方差分解的高维纵向数据集关联分析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：摘要聚焦高维纵向数据的交叉协方差分解与多组学关联发现，属于统计方法研究，未直接对应所给微观、宏观或金融计量细分领域，故不选择。
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
基于高效交叉协方差分解的高维纵向数据集关联分析
- 研究问题
- 摘要称，研究如何刻画成对高维纵向数据集之间的关联，尤其是纵向多组学研究中随时间变化的交叉协方差结构，因为高维性与时变结构使建模和统计估计都很困难。
- 方法与思路
- 作者提出功能聚合交叉协方差分解（FACD）框架，通过聚合高维信号学习时间结构，并引入变量选择以识别跨数据集最具时间关联的特征；摘要称建立了统计保证并用模拟研究比较现有方法。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出一个面向成对高维纵向数据的统计高效关联分析框架，可学习时间结构并做变量选择，给出统计保证，并在纵向多组学人体研究中揭示急性运动期间跨组学层具有时变关联的血液分子。
- 阅读关注点
- 应核对FACD的模型设定与识别条件、统计保证所依赖的假设、变量选择的一致性条件、模拟设计是否覆盖真实时变结构，以及多组学应用中的样本量、时间点与多重比较处理。
- 阅读边界
- 仅凭摘要无法判断估计与推断的具体假设、理论结果的形式与适用范围、模拟的公平性，以及实证发现的稳健性；摘要未说明数据规模、具体数值结果与可复现细节。该文为arXiv预印本，未经同行评审验证。
原文摘要
Understanding associations between paired high-dimensional longitudinal datasets is a fundamental yet challenging problem arising across scientific domains, including longitudinal multi-omic studies. The difficulty stems from the complex, time-varying cross-covariance structure coupled with high dimensionality, which complicates both model formulation and statistical estimation for association discovery. To address these challenges, we propose a new framework called Functional-Aggregated Cross-covariance Decomposition (FACD), tailored to analyzing associations in paired high-dimensional longitudinal datasets through a statistically efficient procedure. Unlike existing methods that are limited to low-dimensional data or rely on parametric modeling of temporal dynamics, FACD is capable of learning temporal structure by aggregating high-dimensional signals and accommodating variable selection to identify the most temporally associated features across datasets. We establish statistical guarantees for FACD and demonstrate its advantages over existing approaches through extensive simulation studies. Finally, we apply FACD to a longitudinal multi-omic human study, revealing blood molecules with time-varying associations across omic layers during acute exercise.