Cross-Dimensional Inference of Dependent High-Dimensional Data
依赖高维数据的跨维度推断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。
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：摘要讨论一般高维依赖推断，未明确构造宏观或金融因子模型，也未涉及经济网络干扰。
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
依赖高维数据的跨维度推断
- 研究问题
- 当大量特征之间可能高度随机依赖时，为何即使正确参数化依赖结构，常规推断仍可能不稳定，如何缓解共享变异的影响？
- 方法与思路
- 作者在多元正态特征设定下，将依赖表述为特征间共享的随机变异，建模并移除该变异，同时对跨特征估计作正则化。
- 材料陈述的贡献
- 摘要提出跨维度推断框架，用以缓解依赖造成的不稳定，并在源于科学应用的情形中展示同时点估计与多重检验。
- 阅读关注点
- 应核对共享变异的分解与估计方式、移除后推断目标如何定义，以及正则化、依赖强度和正态设定对误差控制的作用。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供分解条件或误差控制结果，不能外推到非正态数据，也不能推断刊本变化。
原文摘要
A growing number of modern scientific problems in areas such as genomics, neurobiology, and spatial epidemiology involve the measurement and analysis of thousands of related features that may be stochastically dependent at arbitrarily strong levels. In this work, we consider the scenario where the features follow a multivariate Normal distribution. We demonstrate that dependence is manifested as random variation shared among features, and that standard methods may yield highly unstable inference due to dependence, even when the dependence is fully parameterized and utilized in the procedure. We propose a "cross-dimensional inference" framework that alleviates the problems due to dependence by modeling and removing the variation shared among features, while also properly regularizing estimation across features. We demonstrate the framework on both simultaneous point estimation and multiple hypothesis testing in scenarios derived from the scientific applications of interest.