High-Dimensional Low-Rank Tensor Autoregressive Time Series Modeling
高维低秩张量自回归时间序列建模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：摘要明确研究张量自回归序列、低维动态因子解释及预测，因此对应时间序列、因子模型与预测方法。
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
高维低秩张量自回归时间序列建模
- 研究问题
- 研究如何对具有复杂时间依赖的高维张量序列建模和预测，并利用低维动态结构降低参数数量与估计难度。
- 方法与思路
- 作者对转移张量采用低秩 Tucker 分解，在近似低秩下研究核范数正则化，在精确低秩下构造非凸估计与梯度下降算法。
- 材料陈述的贡献
- 摘要称建立正则化估计的非渐近性质及非凸算法的计算、统计收敛保证，并在模拟与多类别进出口网络序列中展示优势。
- 阅读关注点
- 应核对稳定性和误差依赖条件、近似与精确低秩的区分、张量展开方式，以及非凸算法初始化与预测评估设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出具体收敛界或适用条件，动态因子解释仍需全文界定。
原文摘要
Modern technological advances have enabled an unprecedented amount of structured data with complex temporal dependence, urging the need for new methods to efficiently model and forecast high-dimensional tensor-valued time series. This paper provides a new modeling framework to accomplish this task via autoregression (AR). By considering a low-rank Tucker decomposition for the transition tensor, the proposed tensor AR can flexibly capture the underlying low-dimensional tensor dynamics, providing both substantial dimension reduction and meaningful multi-dimensional dynamic factor interpretations. For this model, we first study several nuclear-norm-regularized estimation methods and derive their non-asymptotic properties under the approximate low-rank setting. In particular, by leveraging the special balanced structure of the transition tensor, a novel convex regularization approach based on the sum of nuclear norms of square matricizations is proposed to efficiently encourage low-rankness of the coefficient tensor. To further improve the estimation efficiency under exact low-rankness, a non-convex estimator is proposed with a gradient descent algorithm, and its computational and statistical convergence guarantees are established. Simulation studies and an empirical analysis of tensor-valued time series data from multi-category import-export networks demonstrate the advantages of the proposed approach.