从时移信号中稳健且高度可扩展地估计方向耦合
原文中文，约1100字，阅读约需3分钟。
📝
内容提要
本文提出了一种结合网络结构的协方差测量方法，用于重建有向网络链接，旨在提高多元时间序列数据的功能连接网络推断、分散式传感器网络方案及非高斯状态空间模型的过滤方法的网络参数识别和预测不确定性的准确性。
❓
Q&A
如何通过多元时间序列数据推断功能连接网络？
通过系统化的过程，结合协方差测量和网络结构，可以从多元时间序列数据中推断功能连接网络。
什么是基于统计估计的框架？
这是一个带有两个部分的框架，通过使用 moralized 图在有向无环图中选择最佳得分的图。
如何实现全局最优最大似然估计？
通过分散式传感器网络方案和非线性耦合的动力系统的自同步，可以实现全局最优最大似然估计。
高维非高斯图模型推断问题的解决方案是什么？
通过建立目标分布的马尔可夫特性与较低维耦合间的联系，提出相应的解决方案。
新过滤方法如何处理高维度的非高斯状态空间模型？
该方法使用交通测度、凸优化和概率图模型，产生高维度下的坚韧集成近似过滤分布。
如何估计因果排序和连接强度？
通过一种新的非高斯性算法，无需迭代参数即可在少量步骤内保证求解正确。
🏷️
