Fréchet integration and adaptive metric selection for interpretable covariances of multivariate functional data
多元函数型数据可解释协方差的 Fréchet 积分与自适应度量选择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。
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：摘要研究函数型协方差汇总与矩阵度量选择，脑连接应用本身不足以归入经济网络或因子模型。
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
多元函数型数据可解释协方差的 Fréchet 积分与自适应度量选择
- 研究问题
- 如何把多元函数型数据随共同定义域变化的协方差矩阵汇总为可解释的整体协方差，并按研究目标选择适合的矩阵度量？
- 方法与思路
- 作者定义依赖矩阵度量的 Fréchet 积分，提出幂度量，通过幂变换、普通积分及逆变换计算，并按用户指定准则自适应选度量。
- 材料陈述的贡献
- 摘要称，普通积分是 Frobenius 度量下的特例，所提程序具有一致性，并用模拟及正常人与阿尔茨海默病患者的 fMRI 比较展示。
- 阅读关注点
- 应核对矩阵空间与幂度量的适用条件、积分存在性及一致性，以及按特征值衰减等目标选择度量如何影响协方差解释。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；矩阵边界处理、度量选择条件及应用数值未说明，不能把脑连接比较解释为因果证据。
原文摘要
For multivariate functional data recorded from a sample of subjects on a common domain, one is often interested in the covariance between pairs of the component functions, extending the notion of a covariance matrix for multivariate data to the functional case. A straightforward approach is to integrate the pointwise covariance matrices over the functional time domain. We generalize this approach by defining the Fréchet integral, which depends on the metric chosen for the space of covariance matrices, and demonstrate that ordinary integration is a special case where the Frobenius metric is used. As the space of covariance matrices is nonlinear, we propose a class of power metrics as alternatives to the Frobenius metric. For any such power metric, the calculation of Fréchet integrals is equivalent to transforming the covariance matrices with the chosen power, applying the classical Riemann integral to the transformed matrices, and finally using the inverse transformation to return to the original scale. We also propose data-adaptive metric selection with respect to a user-specified target criterion, such as fastest decline of the eigenvalues, establish consistency of the proposed procedures, and demonstrate their effectiveness in a simulation. The proposed functional covariance approach through Fréchet integration is illustrated by a comparison of connectivity between brain voxels for normal subjects and Alzheimer's patients based on fMRI data.