Joint Learning of Panel VAR models with Low Rank and Sparse Structure
具有低秩与稀疏结构的面板 VAR 联合学习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：摘要明确研究多元自回归动态；应用为神经科学，未提供将其归为宏观面板或冲击识别的依据。
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
具有低秩与稀疏结构的面板 VAR 联合学习
- 研究问题
- 对多个共享变量的子群体时间序列，如何同时刻画共同动态结构和群体特有差异，并在高维环境中实现可识别、可计算的参数估计？
- 方法与思路
- 作者将共享低秩结构、子群体特有权重与稀疏成分结合为面板 VAR，施加结构约束，并开发多块 ADMM 算法求解非光滑非凸问题。
- 材料陈述的贡献
- 摘要称作者在一定正则条件下建立算法收敛与高维估计一致性保证，并通过合成数据和神经科学数据展示所提模型与估计方法的效果。
- 阅读关注点
- 核对低秩与稀疏成分如何区分、识别约束的含义、ADMM 收敛对应何种解，以及一致性所需的维度增长、依赖结构与调参条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出具体正则条件或实验数值，不能将非凸算法收敛直接解释为获得全局最优解。
原文摘要
Panel vector auto-regressive (VAR) models are widely used to capture the dynamics of multivariate time series across different subpopulations, where each subpopulation shares a common set of variables. In this work, we propose a panel VAR model with a shared low-rank structure, modulated by subpopulation-specific weights, and complemented by idiosyncratic sparse components. To ensure parameter identifiability, we impose structural constraints that lead to a nonsmooth, nonconvex optimization problem. We develop a multi-block Alternating Direction Method of Multipliers (ADMM) algorithm for parameter estimation and establish its convergence under mild regularity conditions. Furthermore, we derive consistency guarantees for the proposed estimators under high-dimensional scaling. The effectiveness of the proposed modeling framework and estimators is demonstrated through experiments on both synthetic data and a real-world neuroscience data set.