Partial Information Rate Decomposition
部分信息率分解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：摘要明确针对具有时间统计结构的随机过程，并使用谱方法分析气候时间序列。
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
部分信息率分解
- 研究问题
- 如何分解多个来源随机过程与目标过程之间动态共享的信息，避免把具有时间依赖的序列当作普通随机变量而误描高阶交互？
- 方法与思路
- 作者以格理论形式化部分信息率分解，再通过信息率的谱展开实现高斯过程版本，并用模拟网络与气候振荡序列展示方法。
- 材料陈述的贡献
- 摘要提出面向随机过程的动态信息分解框架，旨在纠正传统部分信息分解用于动态网络时对高阶效应的错误刻画。
- 阅读关注点
- 应核对信息率及分解项的定义、谱实现对高斯过程的条件、与静态分解的差异，以及模拟中如何评价高阶交互刻画。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未说明非高斯情形的实现或有限样本误差，信息分解也未被证明等同因果效应。
原文摘要
Partial Information Decomposition (PID) is a principled and flexible method to unveil complex high-order interactions in multi-unit network systems. Though being defined exclusively for random variables, PID is ubiquitously applied to multivariate time series taken as realizations of random processes with temporal statistical structure. Here, to overcome the incorrect depiction of high-order effects by PID schemes applied to dynamic networks, we introduce the framework of Partial Information Rate Decomposition (PIRD). PIRD is first formalized applying lattice theory to decompose the information shared dynamically between a target random process and a set of source processes, and then implemented for Gaussian processes through a spectral expansion of information rates. The new framework is validated in simulated network systems and demonstrated in the practical analysis of time series from large-scale climate oscillations.