Information-theoretic limits and approximate message-passing for high-dimensional time series
高维时间序列的信息论极限与近似消息传递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：摘要专门研究具有时间依赖的高维随机回归，重点是信息极限和信号估计，而未明确涉及经济预测或金融收益预测。
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…
高维时间序列的信息论极限与近似消息传递
- 研究问题
- 当特征数与采样点数同比增长且信号不稀疏时，时间依赖如何影响高维随机回归的信息量、最小估计误差及算法表现？
- 方法与思路
- 作者在高维时间序列随机回归模型中推导归一化互信息与最小均方误差的单字母公式，并实证考察向量近似消息传递算法。
- 材料陈述的贡献
- 摘要称，研究将非稀疏高维分析扩展至时间依赖设计；VAMP 在实验中表现稳健且常达到统计最优，但没有相应理论保证。
- 阅读关注点
- 应核对信号分布和时间依赖结构、维度比例极限、单字母公式的适用条件，以及算法误差如何与理论最小误差比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获验证；摘要未给出模型完整条件，且明确说明 VAMP 的实验表现缺少理论保证。
原文摘要
High-dimensional time series appear in many scientific setups, demanding a nuanced approach to model and analyze the underlying dependence structure. Theoretical advancements so far often rely on stringent assumptions regarding the sparsity of the underlying signal. In non-sparse regimes, analyses have primarily focused on linear regression models with the design matrix having independent rows. In this paper, we expand the scope by investigating a high-dimensional time series model wherein the number of features grows proportionally to the number of sampling points, without assuming sparsity in the signal. Specifically, we consider the stochastic regression model and derive a single-letter formula for the normalized mutual information between observations and the signal, as well as for minimum mean-square errors. We also empirically study the vector approximate message passing VAMP algorithm and show that, despite the lack of theoretical guarantees, its performance for inference in our time series model is robust and often statistically optimal.