[论文解读] 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 0

一句话总结

提出一种基于神经网络的估计器，用于在大空间网格上对泛函时间序列的谱密度进行估计，绕过自协方差核计算，实现快速、可并行的估计，并具有普适逼近保证。

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.

研究动机与目标

• 为在非常大网格上定义的高分辨率泛函时间序列的谱密度估计提供动机。
• 开发一种避免显式自协方差核计算的神经网络框架。
• 在一般条件下证明神经估计量的普适逼近性质。
• 提出一种可并行、计算高效的实用估计算法。

提出的方法

• 在 L2(Q) 的谱密度算子下，将谱密度在泛函时间序列设定中表述。
• 构建神经网络架构（浅层、深层和共享）以通过网络输出的傅里叶变换近似谱密度核。
• 定义输出层以近似cospectrum和quadspectrum分量，并确保核为非负、厄米对称。
• 引入基于傅里叶变换的表示（通过 g_m,h）以及产生与理论一致的谱密度核的输出层。
• 开发一个损失函数，将从观测数据构建的经验谱密度估计与神经网络代理的谱密度进行比较，避免直接自协方差计算。
• 提供一个算法（Spectral-NN estimator），用于训练网络并在不形成大型自协方差矩阵的情况下计算估计的谱密度。

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 $q=20$ .

实验结果

研究问题

• RQ1 神经网络框架是否能够在不计算自协方差的情况下近似大型域上的泛函时间序列的谱密度算子？
• RQ2 在何种条件下所提网络能够实现谱密度的普适逼近？
• RQ3 如何利用网络输出的傅里叶变换表示来构造有效的谱密度核？
• RQ4 所得估计量是否具有可扩展性和并行性，适用于高分辨率泛函数据（如 fMRI 或气候模型）？

主要发现

• 神经网络估计量能够在积分希尔伯特-施密特范数下近似谱密度算子。
• 该方法避免了大规模 G×G 自协方差核的计算，使在拥有成十万点的网格上也能实现可扩展的估计。
• 估计量与以频率域主成分框架兼容，可以直接在网格值上训练，而无需估计自协方差。
• 提出一个实用算法（Spectral-NN），用于训练网络、计算cospectrum和quadspectrum，并产生谱密度估计。
• 数值验证包括仿真与对 fMRI 图像的应用，显示在大域上具有计算效率与可行性。