Simultaneous Inference in Multiple Matrix-Variate Graphs for High-Dimensional Neural Recordings
高维神经记录中多矩阵变量图的同步推断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：摘要聚焦高维矩阵变量图模型的同步检验与高斯近似自助法，属高维统计推断方法，未涉及所给微观、宏观或金融计量细分方向的具体议题，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…
高维神经记录中多矩阵变量图的同步推断
- 研究问题
- 研究问题：在多个样本组或实验场次的高维时空数据中，如何对各组各自的矩阵变量高斯图结构进行有效的同步（同时）推断，并在高维与时间相依下跨组借力检验任意大小的边集合。
- 方法与思路
- 方法思路：作者提出统一框架，将组惩罚回归的联合估计与高维高斯近似自助法（bootstrap）结合，用于边子集的全局检验；方法可容纳时间相依观测，避免对异质组做简单合并。
- 材料陈述的贡献
- 摘要所述贡献：在样本量、维数与非平稳自回归时间相依的温和条件下，建立同步检验有效性的理论保证，并称所得检验在可检验区域边界上接近最优；方法仅依赖凸优化与参数自助法，计算可行。
- 阅读关注点
- 阅读时应核对：矩阵变量图模型与共享稀疏模式的具体设定、时间相依与自回归结构假设、高斯近似自助法的适用条件、理论保证所需的正则性与维数-样本量关系，以及仿真与神经记录实例的设计和评价标准。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断识别假设、定理细节、数值表现与相对优势；该文为 arXiv 预印本（v2），未经同行评审或期刊接收验证，结论应视为作者陈述。
原文摘要
We study simultaneous inference for multiple matrix-variate Gaussian graphical models in high-dimensional settings. Such models arise when spatiotemporal data are collected across multiple sample groups or experimental sessions, where each group is characterized by its own graphical structure but shares common sparsity patterns. A central challenge is to conduct valid inference on collections of graph edges while efficiently borrowing strength across groups under both high-dimensionality and temporal dependence. We propose a unified framework that combines joint estimation via group penalized regression with a high-dimensional Gaussian approximation bootstrap to enable global testing of edge subsets of arbitrary size. The proposed procedure accommodates temporally dependent observations and avoids naive pooling across heterogeneous groups. We establish theoretical guarantees for the validity of the simultaneous tests under mild conditions on sample size, dimensionality, and non-stationary autoregressive temporal dependence, and show that the resulting tests are nearly optimal in terms of the testable region boundary. The method relies only on convex optimization and parametric bootstrap, making it computationally tractable. Simulation studies and a neural recording example illustrate the efficacy of the proposed approach.