Deep learning estimation of the spectral density of functional time series on large domains
大定义域函数型时间序列谱密度的深度学习估计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：摘要明确研究函数型时间序列的谱密度估计，分类依据是时间序列方法而非宏观应用。
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…
大定义域函数型时间序列谱密度的深度学习估计
- 研究问题
- 当函数型时间序列在巨大二维或三维网格上观测时，如何避免计算庞大自协方差核矩阵，并可扩展地估计谱密度？
- 方法与思路
- 作者以谱函数主成分理论推导多层感知机输出的谱密度估计量，通过无需显式计算自协方差核的训练与并行化降低计算负担。
- 材料陈述的贡献
- 摘要称证明该估计器在一般假设下具有通用逼近能力，并以模拟和功能磁共振图像应用验证性能及计算效率。
- 阅读关注点
- 应核对通用逼近所用范数和假设、训练目标与谱密度约束，以及逼近结论能否转化为统计误差和计算效率保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出统计收敛率或具体加速数值，通用逼近不等于估计一致性。
原文摘要
We derive an estimator of the spectral density of a functional time series that is the output of a multilayer perceptron neural network. The estimator is motivated by difficulties with the computation of existing spectral density estimators for time series of functions defined on very large grids that arise, for example, in climate compute models and medical scans. Existing estimators use autocovariance kernels represented as large $G \times G$ matrices, where $G$ is the number of grid points on which the functions are evaluated. In many recent applications, functions are defined on 2D and 3D domains, and $G$ can be of the order $G \sim 10^5$, making the evaluation of the autocovariance kernels computationally intensive or even impossible. We use the theory of spectral functional principal components to derive our deep learning estimator and prove that it is a universal approximator to the spectral density under general assumptions. Our estimator can be trained without computing the autocovariance kernels and it can be parallelized to provide the estimates much faster than existing approaches. We validate its performance by simulations and an application to fMRI images.