An Efficient and Interpretable Autoregressive Model for High-Dimensional Tensor-Valued Time Series
高维张量值时间序列的高效可解释自回归模型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：摘要明确涉及张量自回归、监督因子建模和时间序列预测，直接对应三个方法方向。
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…
关注这篇论文的作者
高维张量值时间序列的高效可解释自回归模型
- 研究问题
- 对高阶张量时间序列，如何兼顾系数降维效率与监督因子解释，并缓解严格低秩设定造成的模型偏误？
- 方法与思路
- 作者分别以 CP 分解提取响应和协变量特征，再进行特征回归；另加入稀疏系数张量，并用交替最小二乘优化。
- 材料陈述的贡献
- 摘要称提出新的 CP 低秩及低秩加稀疏结构，建立最小二乘估计的非渐近性质，并通过模拟和气候数据展示效果。
- 阅读关注点
- 应核对低秩结构的可识别性、非渐近界所需条件、交替算法的收敛性质，以及预测比较中的样本划分与基准模型。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供理论界、预测改善幅度或优化保证，不能确认普遍优越性。
原文摘要
In autoregressive modeling for tensor-valued time series, Tucker decomposition, when applied to the coefficient tensor, provides a clear interpretation of supervised factor modeling but loses its efficiency rapidly with increasing tensor order. Conversely, canonical polyadic (CP) decomposition maintains efficiency but lacks a precise statistical interpretation. To attain both interpretability and powerful dimension reduction, this paper proposes a novel approach under the supervised factor modeling paradigm, which first uses CP decomposition to extract response and covariate features separately and then regresses response features on covariate ones. This leads to a new CP-based low-rank structure for the coefficient tensor. Furthermore, to address heterogeneous signals or potential model misspecifications arising from stringent low-rank assumptions, a low-rank plus sparse model is introduced by incorporating an additional sparse coefficient tensor. Nonasymptotic properties are established for the ordinary least squares estimators, and an alternating least squares algorithm is introduced for optimization. Theoretical properties of the proposed methodology are validated by simulation studies, and its enhanced prediction performance and interpretability are demonstrated by the El Ni$\tilde{\text{n}}$o-Southern Oscillation example.