CovNet: Covariance Networks for Functional Data on Multidimensional Domains
CovNet：多维定义域函数型数据的协方差网络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。
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：这里的网络指神经网络协方差模型，摘要未涉及经济网络干扰、金融因子或所列其他细分。
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
CovNet：多维定义域函数型数据的协方差网络
- 研究问题
- 面对多维定义域上的函数型观测，如何兼顾协方差估计的统计精度、计算成本，以及特征分解的存储和使用效率？
- 方法与思路
- 作者提出神经网络形式的 CovNet 协方差模型，利用其可直接计算的特征分解进行存储和运算，并分析估计的一致性与收敛率。
- 材料陈述的贡献
- 摘要称，模型可逼近任意协方差，并能高效拟合和完成闭式特征分解；作者提供理论保证、模拟及静息态功能磁共振应用。
- 阅读关注点
- 应核对通用逼近采用的距离和条件、协方差模型的有效性、网络复杂度及收敛率，并检查特征分解和拟合的计算成本。
- 阅读边界
- 仅据所给 Crossref 摘要；逼近条件、网络规模、收敛率与成本数值未提供，不能认定其在所有多维函数数据中均高效。
原文摘要
Abstract Covariance estimation is ubiquitous in functional data analysis. Yet, the case of functional observations over multidimensional domains introduces computational and statistical challenges, rendering the standard methods effectively inapplicable. To address this problem, we introduce Covariance Networks (CovNet) as a modelling and estimation tool. The CovNet model is universal—it can be used to approximate any covariance up to desired precision. Moreover, the model can be fitted efficiently to the data and its neural network architecture allows us to employ modern computational tools in the implementation. The CovNet model also admits a closed-form eigendecomposition, which can be computed efficiently, without constructing the covariance itself. This facilitates easy storage and subsequent manipulation of a covariance in the context of the CovNet. We establish consistency of the proposed estimator and derive its rate of convergence. The usefulness of the proposed method is demonstrated via an extensive simulation study and an application to resting state functional magnetic resonance imaging data.