Uncovering Regions of Maximum Dissimilarity on Random Process Data
识别随机过程数据中差异最大的区域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：摘要提出跨函数型数据、时间序列和点过程的通用区域比较方法，未明确聚焦所列细分，金融案例也未说明具体方向。
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…
识别随机过程数据中差异最大的区域
- 研究问题
- 对于两组随机过程，如何在给定区域体积的约束下，识别其边际特征最不相似的时间或空间区域，而非只比较整体差异？
- 方法与思路
- 作者用基函数表示两个随机过程的参数函数，通过集成嵌套拉普拉斯近似进行贝叶斯推断，并据此研究指定体积的差异区域。
- 材料陈述的贡献
- 摘要称框架可用于函数型数据、时间序列及点过程，数值研究支持所提方法，并展示犯罪学、金融与医学领域的案例。
- 阅读关注点
- 应核对边际差异与区域体积的定义、基函数和先验选择、区域搜索规则，以及近似推断误差和区域选择不确定性的处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列差异度量、误差控制与案例结果，也未说明金融应用的具体目标。
原文摘要
The comparison of local characteristics of two random processes can shed light on periods of time or space at which the processes differ the most. This paper proposes a method that learns about regions with a certain volume, where the marginal attributes of two processes are less similar. The proposed methods are devised in full generality for the setting where the data of interest are themselves stochastic processes, and thus the proposed method can be used for pointing out the regions of maximum dissimilarity with a certain volume, in the contexts of functional data, time series, and point processes. The parameter functions underlying both stochastic processes of interest are modeled via a basis representation, and Bayesian inference is conducted via an integrated nested Laplace approximation. The numerical studies validate the proposed methods, and we showcase their application with case studies on criminology, finance, and medicine.