Modeling and Simulating Dependence in Networks Using Topological Data Analysis
利用拓扑数据分析建模与模拟网络依赖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：摘要的统计对象是具有指定依赖结构的多元时间序列，未涉及经济网络中的干扰效应。
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…
利用拓扑数据分析建模与模拟网络依赖
- 研究问题
- 缺乏真实依赖结构作为基准时，如何生成带有指定环或洞数量的多元时间序列，以评价依赖网络的拓扑分析方法？
- 方法与思路
- 作者提出模拟多元时间序列的方法，使其依赖网络具有手动指定数量的环或洞，并进一步提供生成高维拓扑特征的程序。
- 材料陈述的贡献
- 摘要称，方法可构造具有指定拓扑连接模式的多元序列，为拓扑方法及检验的模拟评价提供数据，并支持更高维特征生成。
- 阅读关注点
- 应核对依赖网络的定义、环与洞如何由模拟参数控制，以及拓扑特征在样本估计中是否保持，并检查高维构造的适用限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未说明模拟过程、统计性质或实证验证，不能认定其能复现真实脑网络。
原文摘要
Topological data analysis (TDA) approaches are becoming increasingly popular for studying the dependence patterns in multivariate time series data. In particular, various dependence patterns in brain networks may be linked to specific tasks and cognitive processes, which can be altered by various neurological and cognitive impairments such as Alzheimer's and Parkinson's diseases, as well as attention deficit hyperactivity disorder (ADHD). Because there is no ground-truth with known dependence patterns in real brain signals, testing new TDA methods on multivariate time series is still a challenge. Simulations are crucial for evaluating the performance of proposed TDA methods and testing procedures as well as for creating computation-based confidence intervals. To our knowledge, there are no methods that simulate multivariate time series data with specific and manually imposed connectivity patterns. In this paper we present a novel approach to simulate multivariate time series with specific number of cycles/holes in its dependence network. Furthermore, we also provide a procedure for generating higher dimensional topological features.