Regularised Spectral Estimation for High-Dimensional Point Processes
高维点过程的正则化谱估计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：摘要研究神经点过程及脑连接，未明确涉及所列宏观时间序列、金融高频或微观网络与干扰问题。
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…
高维点过程的正则化谱估计
- 研究问题
- 在大量神经元同时记录的高维放电数据中，如何估计多元点过程的谱密度矩阵，并支持神经连接关系的统计分析？
- 方法与思路
- 作者将 Whittle 伪似然与岭或 Lasso 类惩罚结合，估计点过程的谱结构，并通过多元 Hawkes 模拟和神经放电数据评估。
- 材料陈述的贡献
- 摘要称，研究建立了所提估计量的渐近与大样本性质，并以模拟和神经科学数据展示其用于推断脑网络连接的能力。
- 阅读关注点
- 应核对维度增长条件、谱估计对象与连接统计量的关系、惩罚参数选择方式，以及连接解释是否仅限于统计依赖。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未给出收敛条件、误差界或连接识别假设，不能将谱相关结构直接解释为因果神经连接。
原文摘要
Summary Advances in modern technology have enabled the simultaneous recording of neural spiking activity across large numbers of neurons, which statistically can be represented by a multivariate point process. We characterise the second order structure of this process via the spectral density matrix, a frequency domain equivalent of the covariance matrix. In the context of neuronal analysis, statistics based on the spectral density matrix can be used to infer connectivity in the brain network between individual neurons. However, the high-dimensional nature of spike train data mean that it is often difficult, or at times impossible, to compute these statistics. To improve the efficiency of spectral estimation for point processes, we propose methodology that combines a Whittle pseudo-likelihood with ridge or Lasso style penalties. We establish asymptotic and large sample properties for our proposed estimators and evaluate their performance on synthetic data simulated from multivariate Hawkes processes. Finally, we apply our methodology to neuroscience spike train data in order to illustrate its ability to infer brain connectivity.