Joint Estimation of Multiple Graphical Models from High Dimensional Time Series
高维时间序列中多个图模型的联合估计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：题名与摘要明确讨论高维时间序列及时间依赖下的估计，直接对应时间序列方法方向。
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…
高维时间序列中多个图模型的联合估计
- 研究问题
- 当多个个体各有可能存在时间依赖的高维观测，且图模型随个体间接近程度平滑变化时，如何联合估计并共享信息？
- 方法与思路
- 作者提出基于核的方法联合估计各个体图模型，并在个体数、序列长度及维度可增长的渐近框架下分析误差。
- 材料陈述的贡献
- 摘要称，给出参数估计的显式收敛速率，刻画跨个体信息借用与数据依赖的影响，并以模拟和静息态脑成像数据展示方法。
- 阅读关注点
- 应核对个体接近度、平滑性和时间依赖的具体条件，以及核带宽、维度增长要求与收敛速率之间的关系。
- 阅读边界
- 仅据所给 Crossref 摘要；具体依赖条件、速率表达和实验数值未提供，脑成像案例不能直接证明经济数据中的有效性。
原文摘要
Summary We consider the problem of jointly estimating multiple graphical models in high dimensions. We assume that the data are collected from n subjects, each of which consists of T possibly dependent observations. The graphical models of subjects vary, but are assumed to change smoothly corresponding to a measure of closeness between subjects. We propose a kernel-based method for jointly estimating all graphical models. Theoretically, under a double asymptotic framework, where both (T, n) and the dimension d can increase, we provide an explicit rate of convergence in parameter estimation. It characterizes the strength that one can borrow across different individuals and the effect of data dependence on parameter estimation. Empirically, experiments on both synthetic and real resting state functional magnetic resonance imaging data illustrate the effectiveness of the method proposed.