Improved Prediction and Network Estimation Using the Monotone Single Index Multi-variate Autoregressive Model
使用单调单指标多元自回归模型改进预测与网络估计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。
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：摘要直接研究从多元时间序列或点过程估计网络，并提出多元自回归模型。
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
使用单调单指标多元自回归模型改进预测与网络估计
- 研究问题
- 从多元点过程或时间序列估计网络时，如何降低对已知参数形式的依赖，同时处理非线性、异质性与数据依赖？
- 方法与思路
- 作者提出单调单指标多元自回归半参数模型，配合交替投影梯度下降，并在类似受限强凸性的条件下分析依赖数据。
- 材料陈述的贡献
- 摘要称，理论无需显式混合条件，并给出依赖样本量、稀疏度和网络规模的速率；模拟与两个实例中表现优于所比较方法。
- 阅读关注点
- 应核对误差速率对应的损失、受限强凸性类条件、单指标的归一化，以及网络边的含义和比较方法的调参公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；不显式要求混合不等于没有依赖限制，摘要中的最优速率表述限于独立设计。
原文摘要
Network estimation from multi-variate point process or time series data is a problem of fundamental importance. Prior work has focused on parametric approaches that require a known parametric model, which makes estimation procedures less robust to model mis-specification, non-linearities and heterogeneities. In this paper, we develop a semi-parametric approach based on the monotone single-index multi-variate autoregressive model (SIMAM) which addresses these challenges. We provide theoretical guarantees for dependent data and an alternating projected gradient descent algorithm. Significantly we do not explicitly assume mixing conditions on the process (although we do require conditions analogous to restricted strong convexity) and we achieve rates of the form $O(T^{-\frac{1}{3}} \sqrt{s\log(TM)})$ (optimal in the independent design case) where $s$ is the threshold for the maximum in-degree of the network that indicates the sparsity level, $M$ is the number of actors and $T$ is the number of time points. In addition, we demonstrate the superior performance both on simulated data and two real data examples where our SIMAM approach out-performs state-of-the-art parametric methods both in terms of prediction and network estimation.