Covariance Kernels on Unordered Pair Spaces: Theory and Applications to Network-Valued Data
无序对空间上的协方差核：理论与网络数据应用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：摘要明确以无向网络中的无序关系为统计单位，并研究网络数据的协方差和估计。
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
无序对空间上的协方差核：理论与网络数据应用
- 研究问题
- 论文研究如何将对象层面的相似性几何转化为无序关系的协方差，同时保留端点身份与顺序不变性，并支持网络估计。
- 方法与思路
- 作者基于对称成对核构建无自环关系域的协方差框架，分析谱、截断误差和几何扰动，并以模拟与脑连接数据应用展示。
- 材料陈述的贡献
- 摘要称建立去除自对后的谱交错与迹损失结果，刻画截断及扰动误差，并指出高协方差解释比例不足以保证推断准确。
- 阅读关注点
- 应核对成对核的构造、去除自对后的谱结论、推断误差的定义，以及几何失配如何影响正则化和低秩表示选择。
- 阅读边界
- 这是所给 arXiv v1 预印本摘要，不能据此声称已同行评审或期刊接收；具体定理条件和应用误差未说明，不能推断经济网络中的干扰效应。
原文摘要
Many scientific problems are relational: the quantity of interest is a connection between two objects, while information about similarity is available for the objects themselves. We develop a covariance framework for unordered relationships that transfers object-level geometry to the relations they form while preserving endpoint identity and invariance to ordering. Building on symmetric pairwise-kernel representations, we develop theory for the loop-free domains used in undirected networks. We establish spectral interlacing and trace-loss results after self-pairs are removed, connect the relational spectrum to regularization and risk, derive an exact inferential error for spectral truncation, and quantify how perturbations of the underlying geometry propagate to pair covariance and estimation. Simulations show when structured borrowing improves estimation and how geometric misspecification can erode that benefit. We apply the framework to autism neuroimaging using resting-state functional-connectivity data from the Autism Brain Imaging Data Exchange (ABIDE). With a 116-region parcellation and 6,670 unique connections, the application shows that a large connectome can have a much smaller effective covariance dimension. It also demonstrates that high explained covariance alone is insufficient for choosing a low-rank representation when inferential accuracy is the goal. The framework provides a principled foundation for covariance and regularization when the statistical units are unordered relationships.