[论文解读] Functional Estimation of Manifold-Valued Diffusion Processes

Jacob McErlean, Hau Tieng Wu|arXiv (Cornell University)|Mar 21, 2026

Functional Brain Connectivity Studies被引用 0

一句话总结

该论文提出了 Nadaraya-Watson 型非参数估计器，以从单条轨迹在流形上的 Itô 演化中恢复漂移项和扩散项，利用切空间中的漂移估计并在 Harris 重现性下给出渐近保证。

ABSTRACT

Nonstationary high-dimensional time series are increasingly encountered in biomedical research as measurement technologies advance. Owing to the homeostatic nature of physiological systems, such datasets are often located on, or can be well approximated by, a low-dimensional manifold. Modeling such datasets by manifold-valued Itô diffusion processes has been shown to provide valuable insights and to guide the design of algorithms for clinical applications. In this paper, we propose Nadaraya-Watson type nonparametric estimators for the drift vector field and diffusion matrix of the process from one trajectory. Assuming a time-homogeneous stochastic differential equation on a smooth complete manifold without boundary, we show that as the sampling interval and kernel bandwidth vanish with increasing trajectory length, recurrence of the process yields asymptotic consistency and normality of the drift and diffusion estimators, as well as the associated occupation density. Analysis of the diffusion estimator further produces a tangent space estimator for dependent data, which has its own interest and is essential for drift estimation. Numerical experiments across a range of manifold configurations support the theoretical results.

研究动机与目标

• 在低维流形上对高维生物医学时间序列建模，并包含扩散动力学的动机。
• 从观测数据为流形上的漂移和扩散开发基于核的估计量。
• 解决曲率带来的偏差并实现基于切空间的漂移估计。
• 在 Harris 重现性和适当采样下建立渐近一致性和正态性。
• 提供算法步骤和通过仿真验证的理论结果。

提出的方法

• 采用在嵌入在欧几里得空间中的平滑完备流形上的 Itô/SDE 的流形取值扩散模型。
• 使用 Nadaraya-Watson 型核估计量来估计单条轨迹的占据密度及可观测的漂移和扩散。
• 引入基于嵌入的距离样函数来定义核权重并估计扩散矩阵。
• 通过估计的扩散矩阵的特征结构来估计切空间，并将漂移投影到切空间。
• 通过将欧几里得风格的估计量投影到估计的切空间来校正曲率偏差，从而计算漂移估计量。
• 利用 Harris 重现性和广义 Nummelin 分裂框架推导渐近结果和中心极限定理。

实验结果

研究问题

• RQ1 如何从单条轨迹非参数估计流形取值的扩散过程的漂移和扩散？
• RQ2 流形曲率对漂移估计的影响是什么，如何通过切空间投影来降低偏差？
• RQ3 在 Harris 重现性下，所提出估计量的渐近性质（一致性和正态性）是什么？
• RQ4 应如何选择带宽和采样率以确保在流形上的可靠估计？

主要发现

• 提出了考虑曲率和环境嵌入的流形自适应 Nadaraya-Watson 演算用于漂移、扩散和占据密度的估计。
• 基于切空间的漂移估计量对于纠正流形设置中的曲率引起的偏差是必要的。
• 扩散估计对曲率具有鲁棒性，并提供用于漂移恢复的可用切空间。
• 在 Harris 重现性下，给定合适的带宽和采样方案，估计量的一致性和正态性被建立。
• 一个广义比极限方法和 Darling-Kac 框架支撑渐近分析和高斯混合表征。
• 跨越不同流形配置的数值实验支持理论结果。