Dynamic Vine Copulas: Detecting and Quantifying Time-Varying Higher-Order Interactions
动态藤Copula：检测与量化时变高阶交互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：摘要核心是时间序列上的时变相依建模与高阶交互诊断，并强调尾部行为与非对称性，故对应时间序列与尾部风险两个方向。
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
动态藤Copula：检测与量化时变高阶交互
- 研究问题
- 摘要关注的问题是：当相关性近似稳定时，多元系统的相依结构仍可能通过尾部行为、非对称性或条件结构发生变化，如何估计并诊断这种序列范围内的非高斯时变相依，并区分变化来自成对相依还是高阶条件项。
- 方法与思路
- 作者提出动态藤Copula（DVC）框架，固定选定的藤分解以保证可比性，适用于C、D、R藤，实验用固定根序C藤；成对Copula状态通过平滑参数轨迹或时间正则化的族切换路径演化。主要诊断是全藤与其匹配的1截断版本的留出比较。
- 材料陈述的贡献
- 摘要称，在正确固定藤与简化假设下，该对比在总体层面等于藤总相关分解中的高阶树成分，有限样本下则是预测性诊断；受控基准中DVC能检出高斯动态基线漏掉或混淆的t自由度变化、Clayton到Gumbel切换与反复出现的条件交互；在Allen Visual Behavior Neuropixels数据上识别出可复现、跨留出划分为正、在去相关零假设下消失的高阶树信号。
- 阅读关注点
- 阅读全文时应核对：固定藤分解与固定根序的具体设定及可比性代价；平滑轨迹与族切换路径的估计与正则化细节；1截断对比的构造、留出评估与检验性质；总体等式所依赖的假设是否被明确陈述与检验；基准与神经数据中信号的具体定义、阈值与稳健性。
- 阅读边界
- 仅凭摘要无法判断估计量的一致性、渐近分布、检验水平与功效，也无法核实基准比较的公平性、数据预处理与结果可复现性；摘要未说明具体样本量、超参数选择与计算成本。该文为arXiv预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
Time-varying dependence is often modeled with dynamic correlations or Gaussian graphical models, but multivariate systems can change through tail behavior, asymmetry, or conditional structure even when correlations are nearly stable. We introduce Dynamic Vine Copulas (DVC), a temporal vine-copula framework for estimating and diagnosing sequence-wide non-Gaussian dependence. DVC fixes a chosen vine factorization for comparability; the framework applies to C-, D-, and R-vines, and our experiments use fixed-root-order C-vines. Pair-copula states evolve through smooth parameter trajectories or temporally regularized family-switching paths. The main diagnostic is a held-out comparison between a full vine and its matched 1-truncated version, which separates flexible first-tree pairwise dependence from evidence contributed by higher-tree conditional terms. At the population level, under a correct fixed vine and the simplifying assumption, this contrast equals the higher-tree component of a vine total-correlation decomposition; in finite samples, it is a predictive diagnostic. In controlled benchmarks, DVC detects Student-t degrees-of-freedom changes, Clayton-to-Gumbel switches, and recurrent conditional-interaction episodes missed or conflated by Gaussian dynamic baselines. The higher-tree score remains near zero in pairwise-only regimes and rises during conditional-interaction regimes. On Allen Visual Behavior Neuropixels data, DVC identifies a reproducible time-indexed higher-tree signal that is positive across held-out splits and vanishes under a decorrelated null, indicating simultaneous cross-area dependence. DVC therefore provides a flexible temporal copula model and an interpretable test of whether temporal dependence changes are pairwise or conditional.