[論文レビュー] Deep learning estimation of the spectral density of functional time series on large domains

Neda Mahvash Mohammadi, Soham Sarkar+1 more|arXiv (Cornell University)|Jan 1, 2026

Functional Brain Connectivity Studies被引用数 0

ひとこと要約

ニュートラルネットワークベースの推定機を用い、大規模空間グリッド上の機能時系列のスペクトル密度を推定する。自己共分散カーネル計算を回避し、普遍近似保証を備えた高速・並列推定を実現する。

ABSTRACT

We derive an estimator of the spectral density of a functional time series that is the output of a multilayer perceptron neural network. The estimator is motivated by difficulties with the computation of existing spectral density estimators for time series of functions defined on very large grids that arise, for example, in climate compute models and medical scans. Existing estimators use autocovariance kernels represented as large $G imes G$ matrices, where $G$ is the number of grid points on which the functions are evaluated. In many recent applications, functions are defined on 2D and 3D domains, and $G$ can be of the order $G \sim 10^5$, making the evaluation of the autocovariance kernels computationally intensive or even impossible. We use the theory of spectral functional principal components to derive our deep learning estimator and prove that it is a universal approximator to the spectral density under general assumptions. Our estimator can be trained without computing the autocovariance kernels and it can be parallelized to provide the estimates much faster than existing approaches. We validate its performance by simulations and an application to fMRI images.

研究の動機と目的

• 非常に大規模グリッド上で定義される高分解能機能時系列のスペクトル密度推定の動機付け。
• 明示的な自己共分散カーネル計算を回避するニューラルネットワークフレームワークの構築。
• 一般条件下でニューラル推定量の普遍近似性を証明。
• 並列化可能で計算効率の高い実践的推定アルゴリズムの提案。

提案手法

• L2(Q)におけるスペクトル密度演算子を用いて機能時系列設定でのスペクトル密度を定式化。
• ネットワーク出力のフーリエ変換を通じてスペクトル密度カーネルを近似する浅い・深い・共有型のニューラルネットワークアーキテクチャを構築。
• 出力層をコソスペクトラムおよびクァドスペクトラム成分を近似させ、カーネルを非負かつエルミートに保つ。
• g_m,hを介したフーリエ変換ベースの表現と、理論と整合するスペクトル密度カーネルを出力する出力層を導入。
• 観測データから構築した経験的スペクトル密度推定量とニューラルネットの代理推定量を比較する損失関数を導入し、直接の自己共分散計算を回避。
• 大規模な自己共分散行列を形成せずに、ネットワークを訓練しスペクトル密度を推定するアルゴリズム（Spectral-NN estimator）を提供。

Figure 1: The magnitude of the fitted spectral-NN estimator for the 3D fMRI data. The spectral-NN model was fitted with $M=L=10$ , depth $=4$ , width $=20$ and $q=20$ .

実験結果

リサーチクエスチョン

• RQ1 自己共分散を計算せずに大規模領域の機能時系列のスペクトル密度演算子をニューラルネットワークベースのフレームワークで近似できるか？
• RQ2 提案されたネットワークがスペクトル密度の普遍近似を提供する条件は？
• RQ3 ネットワーク出力のフーリエ変換表現を活用して有効なスペクトル密度カーネルを構築できるか？
• RQ4 結果として得られる推定量は高分解能の機能データ（例：fMRIや気候モデル）に対して計算的にスケーラブルで並列化可能か？

主な発見

• ニューラルネット推定量は統合ヒルベルト・シュmidtノルムでスペクトル密度演算子を近似できる。
• 大規模なG×G自己共分散カーネルの計算を回避し、 tens of thousands 点規模のグリッドでのスケーラブル推定を可能にする。
• 推定量は周波数領域の主成分フレームワークと適合し、自己共分散を推定せずにグリッド値上で直接訓練できる。
• 実用的なアルゴリズム（Spectral-NN）を提案し、ネットワークの訓練、コソスペクトラムおよびクァドスペクトラムの計算、スペクトル密度推定の生成を行う。
• 数値的検証にはシミュレーションとfMRI画像への適用を含み、計算効率と大規模領域での実現可能性を示す。