Inverse Cross-spectral Neural Networks for Multivariate Time Series
用于多元时间序列的逆交叉谱神经网络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：摘要直接研究平稳多元时间序列的交叉谱结构，未限定宏观应用。
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…
用于多元时间序列的逆交叉谱神经网络
- 研究问题
- 面向独立同分布数据的协方差神经网络难以兼顾时间与变量间依赖，如何构造保留频率相关结构的多元时间序列网络？
- 方法与思路
- 作者以逆交叉谱密度矩阵作为图移位算子，将平滑谱中的频率分组共享算子，并联合学习频域依赖结构与网络参数。
- 材料陈述的贡献
- 摘要称提出适用于平稳多元时间序列的网络与紧凑参数化方案，在合成数据中优于不同方法类别的基准。
- 阅读关注点
- 应核对平稳性与谱估计条件、频带划分和联合训练方法，以及条件关系的解释依据、下游任务与合成数据比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未经核实。摘要只报告合成数据比较，未说明真实数据表现或一般性理论保证。
原文摘要
CoVariance Neural Networks and their extensions have emerged as effective tools for processing multivariate data, deriving graph shift operators directly from second-order statistics. These architectures, however, are designed for independent and identically distributed observations and do not fully capture the joint structure of temporal and cross-variable dependencies in multivariate time series. In this work, we introduce Inverse Cross-Spectral Neural Networks (iCSNNs), a class of graph neural networks for stationary multivariate time series whose shift operators are the inverse cross-spectral density (iCSD) matrices. These operators encode frequency-specific conditional relationships among variables, exploiting the decomposition provided by the spectral representation theorem. Leveraging spectral smoothness, frequencies are grouped into bands sharing a single iCSD operator, yielding a compact parametrisation that retains the frequency-dependent structure of the process. We further propose a joint learning procedure to estimate both the Fourier-domain dependence structure and the iCSNN parameters, adapting the iCSD operators to the downstream task. When tested on synthetic data, iCSNN outperforms baselines from different methodological families.