Classification of High-dimensional Time Series in Spectral Domain using Explainable Features
利用可解释频域特征分类高维时间序列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：摘要直接研究平稳时间序列、谱密度和频域分类；脑电网络应用不足以支持经济网络或其他领域细分。
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…
利用可解释频域特征分类高维时间序列
- 研究问题
- 如何在高维平稳时间序列分类中得到可解释的频域特征，同时避免要求各组谱密度矩阵或其逆矩阵本身稀疏？
- 方法与思路
- 作者改为假设逆谱密度矩阵之差稀疏，构造分类模型，采用深度学习优化器估计，并筛选最具区分力的频率。
- 材料陈述的贡献
- 摘要称参数估计在适当条件下一致，频率筛选具有确定筛选性质，并通过模拟和清醒与困倦脑电数据评估方法。
- 阅读关注点
- 应核对差分稀疏性及平稳性要求、一致性与筛选保证的条件，以及优化算法和频率选择对解释性的影响。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未列明理论条件和分类准确率，脑连接解释也不等同于因果识别。
原文摘要
Interpretable classification of time series presents significant challenges in high dimensions. Traditional feature selection methods in the frequency domain often assume sparsity in spectral density matrices (SDMs) or their inverses, which can be restrictive for real-world applications. In this article, we propose a model-based approach for classifying high-dimensional stationary time series by assuming sparsity in the difference between inverse SDMs. Our approach emphasizes the interpretability of model parameters, making it especially suitable for fields like neuroscience, where understanding differences in brain network connectivity across various states is crucial. The estimators for model parameters demonstrate consistency under appropriate conditions. We further propose using standard deep learning optimizers for parameter estimation, employing techniques such as mini-batching and learning rate scheduling. Additionally, we introduce a method to screen the most discriminatory frequencies for classification, which exhibits the sure screening property under general conditions. The flexibility of the proposed model allows the significance of covariates to vary across frequencies, enabling nuanced inferences and deeper insights into the underlying problem. The novelty of our method lies in the interpretability of the model parameters, addressing critical needs in neuroscience. The proposed approaches have been evaluated on simulated examples and the `Alert-vs-Drowsy' EEG dataset.