Continuously indexed graphical models
连续索引图模型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。
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：摘要中的图表示高斯过程依赖结构，未明确经济网络互动、干扰效应或专门时间序列任务。
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
连续索引图模型
- 研究问题
- 如何把连续时间或空间索引的高斯过程表示为具有不可数顶点的图模型，并从观测数据中恢复有限分辨率的依赖图结构？
- 方法与思路
- 作者用协方差核的再生性质刻画图结构，提出面向有限分辨率恢复的代入方法，并分析一致性、收敛率和有限样本保证。
- 材料陈述的贡献
- 摘要称将图模型扩展至不可数索引，提出适应广泛测量方式的恢复方法，在足够规则的图上给出理论保证并展示模拟和数据分析。
- 阅读关注点
- 应核对图所表达的依赖关系、协方差核刻画、分辨率的定义，以及图的规则性和测量方式对恢复保证与收敛率的影响。
- 阅读边界
- 仅据 Crossref 摘要；图的规则性、测量要求和有限样本界未具体说明，不能将有限分辨率恢复解释为精确恢复整个连续图。
原文摘要
Abstract Let X={Xu}u∈U be a real-valued Gaussian process indexed by a set U. We show that X can be viewed as a graphical model with an uncountably infinite graph, where each Xu is a vertex. This graph is characterized by the reproducing property of X’s covariance kernel, without restricting U to be finite or countable, allowing the modelling of stochastic processes in continuous time/space. Unlike traditional methods, this characterization is not based on zero entries of an inverse covariance, posing challenges for structure estimation. We propose a plug-in methodology that targets graph recovery up to a finite resolution and shows consistency for graphs which are sufficiently regular and that can be applied to virtually any measurement regime. Furthermore, we derive convergence rates and finite-sample guarantees for the method, and demonstrate its performance through a simulation study and two data analyses.