Localized Sparse Principal Component Analysis of Multivariate Time Series in Frequency Domain
多元时间序列频域中的局部化稀疏主成分分析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：摘要直接研究高维多元时间序列的谱密度矩阵与频域降维。
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…
多元时间序列频域中的局部化稀疏主成分分析
- 研究问题
- 高维时间序列的普通主成分估计可能不一致且难解释，如何得到坐标稀疏、集中于特定频段的低维主子空间？
- 方法与思路
- 作者在谱密度矩阵上构建可解释的频域主成分分析，并开发按频率顺序计算的算法，估计稀疏且频带局部化的子空间。
- 材料陈述的贡献
- 摘要称提出一致估计程序与高效算法，并用于首发精神病研究中的高密度静息态 EEG，以理解相关神经机制。
- 阅读关注点
- 应核对谱密度估计方式、稀疏性与频带局部化约束、一致性所需条件，以及算法在相邻频率之间如何更新。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验；摘要未给出收敛条件、算法成本或 EEG 应用的具体发现。
原文摘要
Principal component analysis has been a main tool in multivariate analysis for estimating a low dimensional linear subspace that explains most of the variability in the data. However, in high-dimensional regimes, naive estimates of the principal loadings are not consistent and difficult to interpret. In the context of time series, principal component analysis of spectral density matrices can provide valuable, parsimonious information about the behavior of the underlying process, particularly if the principal components are interpretable in that they are sparse in coordinates and localized in frequency bands. In this paper, we introduce a formulation and consistent estimation procedure for interpretable principal component analysis for high-dimensional time series in the frequency domain. An efficient frequency-sequential algorithm is developed to compute sparse-localized estimates of the low-dimensional principal subspaces of the signal process. The method is motivated by and used to understand neurological mechanisms from high-density resting-state EEG in a study of first episode psychosis.