Copula Gaussian Graphical Models for Functional Data
函数型数据的 Copula 高斯图模型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：摘要中的网络是函数型变量依赖关系及脑网络，未涉及经济主体间网络或干扰效应，故不据“图模型”归入网络与干扰。
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
函数型数据的 Copula 高斯图模型
- 研究问题
- 多变量函数型数据的图模型通常要求高斯过程；如何放松边际高斯假设，同时保留便于计算和建模的高斯依赖结构？
- 方法与思路
- 作者提出函数型 Copula 高斯图模型，构造四种估计量，为其中一种建立一致性与收敛率，并用模拟和脑电数据评估。
- 材料陈述的贡献
- 摘要称该模型放松了边际高斯要求，同时保留高斯依赖结构；论文提供多种估计方案，并以脑电数据构建脑网络。
- 阅读关注点
- 应核对边际变换、图中边的统计含义和函数离散化方式，区分四种估计量的保证，并检查收敛率条件与网络选择规则。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；理论保证仅明确覆盖一种估计量，摘要未说明其条件，估计脑网络也不能解释为因果连接。
原文摘要
We introduce a statistical graphical model for multivariate functional data, which are common in medical applications such as EEG and fMRI. Recently published functional graphical models rely on the multivariate Gaussian process assumption, but we relax it by introducing the functional copula Gaussian graphical model (FCGGM). This model removes the marginal Gaussian assumption but retains the simplicity of the Gaussian dependence structure, which is particularly attractive for large data. We develop four estimators for the FCGGM and establish the consistency and the convergence rates of one of them. We compare our FCGGM with the existing functional Gaussian graphical model by simulations, and apply our method to an EEG dataset to construct brain networks. Supplementary materials for this article are available online.