Statistical Inference for Bures-Wasserstein Flows
Bures–Wasserstein 协方差流的统计推断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：摘要核心是协方差算子的几何与函数数据理论，时间序列仅为应用动机，未明确对应所列经济计量细分方向。
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…
Bures–Wasserstein 协方差流的统计推断
- 研究问题
- 对于一般乃至无限维 Hilbert 空间中的时变协方差算子集合，如何尊重其非线性几何结构，定义总体特征并进行估计与主成分分析？
- 方法与思路
- 作者利用 Bures–Wasserstein 度量诱导的类黎曼结构定义随机协方差流的均值与协方差，构建 Karhunen–Loève 展开及函数主成分估计。
- 材料陈述的贡献
- 摘要称，框架可处理完整或不规则观测的协方差流，并讨论有限维矩阵情形的简化；模拟与数据分析展示了方法在函数数据问题中的用途。
- 阅读关注点
- 应核对几何均值和协方差的定义、展开与估计所需条件、不规则观测的处理方法，以及有限维简化是否保留无限维框架的主要性质。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未给出具体定理条件、误差界或推断程序，不能据此评价估计精度及实际计算成本。
原文摘要
We develop a statistical framework for conducting inference on collections of time-varying covariance operators (covariance flows) over a general, possibly infinite dimensional, Hilbert space. We model the intrinsically non-linear structure of covariances by means of the Bures-Wasserstein metric geometry. We make use of the Riemmanian-like structure induced by this metric to define a notion of mean and covariance of a random flow, and develop an associated Karhunen-Loève expansion. We then treat the problem of estimation and construction of functional principal components from a finite collection of covariance flows, observed fully or irregularly. Our theoretical results are motivated by modern problems in functional data analysis, where one observes operator-valued random processes -- for instance when analysing dynamic functional connectivity and fMRI data, or when analysing multiple functional time series in the frequency domain. Nevertheless, our framework is also novel in the finite-dimensions (matrix case), and we demonstrate what simplifications can be afforded then. We illustrate our methodology by means of simulations and data analyses.