Spatio-Temporal Models for Big Multinomial Data using the Conditional Multivariate Logit-Beta Distribution
我们介绍了一种贝叶斯方法，用于分析在空间和时间上引用的高维多项式数据。特别是，假设与多项式数据相关的比例与潜在的时空混合效应模型有logit联系。这种策略允许协方差在空间和时间上都是非平稳的，不对称的，并且是简约的。我们还介绍了使用的条件多元logit-β分布的依赖多项式的数据设置，这导致共轭全条件分布用于在一个崩溃的吉布斯抽样。我们把这个模型称为多项时空混合效应模型（MN-STM）。此外，我们提供的方法的发展，包括：相关的全条件分布的推导，与潜在的高斯过程模型的关系，和非平稳向量自回归模型的稳定性。我们说明了MN-STM通过模拟，并通过演示与公共使用的季度劳动力指标（QWI）的纵向雇主家庭动态（LEHD）计划的美国人口普查局的数据。
2018-12-09 stat.ME
Flexible multivariate spatio-temporal Hawkes process models of terrorism
本文提出灵活的多元时空霍克斯过程模型，通过推广触发函数以允许非分离性、非平稳性和跨组触发，克服传统模型忽略空间变化和限制触发结构的不足，并在阿富汗和尼日利亚恐怖主义数据上验证其优于标准模型。
2023-08-10 stat.ME
GNA: Granular Neighbor Assembly for Retrieval-Augmented Multivariate Time-Series Forecasting
CERN（欧洲核子研究中心）
提出粒度邻居组装检索层GNA，通过整窗和逐变量双粒度检索及门控融合，在96个设置中85个提升Transformer预测性能，优于无检索基线。
2026-09-30 cs.LG stat.ML
Graphical modelling and partial characteristics for multitype and multivariate-marked spatio-temporal point processes
本文通过引入不同的部分点特征和扩展空间依赖图模型的形式，对标记时空点过程数据进行了多变量分析。我们的方法产生了一个统一的框架，不同类型的时空数据，包括纯粹的定性（多变量）的情况下，多变量的情况下，额外的定量标记。该图模型通过部分谱密度特征定义，计算效率高，反映了具有相同离散标记的点或标记点的时空子过程集合之间的条件相似性。该文件考虑了三个应用程序，两个犯罪数据和第三个林业。
2020-03-05 stat.AP stat.ME
Modelling multivariate spatio-temporal data with identifiable variational autoencoders
针对时空盲源分离仅支持线性解混的问题，本文将可识别变分自编码器扩展至非线性非平稳场景，提出两种潜维度估计方法，经模拟和气象应用验证，可有效恢复潜成分并提升预测精度。
2024-11-01 stat.ME
Multivariate Bayesian models with flexible shared interactions for analyzing spatio-temporal patterns of rare cancers
针对罕见癌症发病率与死亡率估算难题，提出带灵活共享时空组分的多变量贝叶斯模型，经模拟验证性能优于传统模型，并用于分析英国男性胰腺癌和白血病的时空发病与死亡数据。
2024-07-15 stat.AP stat.ME
Interpretable and Scalable Graphical Models for Complex Spatio-temporal Processes
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
本论文的重点是具有复杂时空结构的数据，以及以可解释和可扩展的方式学习结构的概率图形模型。我们针对两个感兴趣的研究领域：张量变量数据的高斯图形模型和使用主题模型的复杂时变文本的摘要。这项工作在几个方向上推进了最先进的技术。首先，它通过Sylvester张量方程引入了一类新的张量变量高斯图模型。其次，它开发了一种基于快速收敛的近似交替线性化最小化方法的优化技术，该方法将张量变量高斯图形模型估计扩展到现代大数据设置。第三，它连接Kronecker结构（逆）协方差模型与时空偏微分方程（PDE），并引入了一个新的框架，集合卡尔曼滤波，能够跟踪混沌物理系统。第四，它提出了一个模块化和可解释的框架，用于时变数据的无监督和弱监督概率主题建模，将生成统计模型与计算几何方法相结合。在整个过程中，该方法的实际应用被认为是使用真实的数据集。这包括使用EEG数据进行大脑连接分析，使用太阳成像数据进行空间天气预报，使用Twitter数据进行公众意见纵向分析，以及使用TalkLife数据挖掘与心理健康相关的问题。我们在每种情况下，这里介绍的图形化建模框架，导致改进的可解释性，准确性和可扩展性。
2023-01-15 cs.LG stat.ME
Test and Visualization of Covariance Properties for Multivariate Spatio-Temporal Random Fields
由于多变量时空数据的普遍存在，使得多变量时空统计模型受到了广泛关注，其中协方差函数在建模、推断和预测中起着关键作用。对于多变量时空数据，了解变量内部和变量之间的时空变异性对于采用现实的协方差模型至关重要。同时，一般协方差的复杂性往往使模型拟合非常具有挑战性，简化的协方差结构，包括对称性和可分性，可以降低模型的复杂性，并促进推理过程。然而，在实际应用中需要仔细检查这些属性。在这里介绍的工作中，我们正式定义这些属性的多变量时空随机场，并使用功能数据分析技术来可视化它们，从而提供直观的解释。然后，我们提出了一个严格的基于秩的检验程序，以得出结论是否简化的协方差属性是适合于底层的多元时空数据。我们的方法的良好性能说明通过合成数据，我们知道的真实结构。我们还调查了沙特阿拉伯沿海和内陆地区的双变量风速的协方差，这是可再生能源的一个关键变量。补充材料可在线获得，包括我们开发的方法的R代码。
2023-03-12 stat.CO stat.ME
Multivariate Spatial-temporal Prediction on Latent Low-dimensional Functional Structure with Non-stationarity
多变量时空数据越来越频繁地出现在广泛的应用中，然而，有相对较少的通用统计方法，可以很容易地使用，同时将空间，时间和变量的依赖关系。在本文中，我们提出了一种新的方法来表示非参数化的线性相关结构的多变量时空过程的潜在的共同因素。通过矩阵因子模型的配置，很好地保留了多变量时空过程观测值的矩阵结构。空间荷载函数通过筛近似非参数估计，可变荷载矩阵通过对称非负定矩阵的特征分析估计。虽然沿空间模式的因子分解类似于空间统计学中的低秩近似方法，但根本区别在于，在我们的设置中，低维结构是完全未知的。此外，我们的方法适应空间上的非平稳性。估计的载荷函数便于空间预测。对于时间预测，我们通过利用一阶MAR（1）的矩阵自回归模型来保持每个时间点的观测值的矩阵结构。所提出的方法的渐近性质的建立。在合成数据集和真实数据集上研究了该方法的性能
2017-11-11 stat.ME
Spatiotemporally Consistent Multivariate Bias Correction for Climate Projections via Nested Vine Copulas
University of Lausanne（洛桑大学）；University of Applied Sciences and Arts Western Switzerland (HES-SO)（瑞士西部应用科学和艺术大学）
本文提出GN-VBC方法，利用GAM分离时空确定性效应与残差，结合嵌套藤Copula建模变量间依赖，提升气候预测的时空一致性和可靠性。
2026-07-16 stat.AP stat.ME
Multivariate Covariance Generalized Linear Models
我们提出了一个非正态多变量数据分析的一般框架，称为多变量协方差广义线性模型（McGLM），旨在处理多变量响应变量，以及广泛的时间和空间的相关性结构定义的协方差连接函数与矩阵线性预测，涉及已知的矩阵。该方法的动机是三个数据的例子，不容易处理现有的方法。第一个例子涉及多变量计数数据，第二个涉及混合类型的响应变量，结合重复测量和纵向结构，第三个涉及降雨数据的时空分析。该模型考虑到非正态性，在传统的方式通过方差函数，和平均结构建模的链接函数和线性预测。模型拟合使用一个有效的牛顿评分算法的基础上准似然和皮尔逊估计函数，只使用二阶矩假设。这提供了一个统一的方法，各种不同类型的响应变量和协方差结构，包括多变量的重复测量，时间序列，纵向，空间和时空结构的扩展。
2015-04-07 stat.ME
Multivariate Spatio-Temporal Neural Hawkes Processes
本文提出了一种多变量时空神经Hawkes过程，用于建模具有时空动态的复杂事件数据，通过整合空间信息和学习衰减动态，提升了对激发和抑制机制的建模能力，并在恐怖主义数据中验证了其有效性。
2026-03-02 cs.LG math.ST stat.AP
Multivariate Spatio-Temporal Regression with Penalized Model Selection and an Empirical Application
Nagasaki University（长崎大学）；Meio University（名城大学）；Hiroshima University of Economics（广岛经济大学）
本文提出多元通用嵌套时空（MGNST）回归框架，结合惩罚模型选择方法，通过蒙特卡洛实验和日本关西地区198个城市的社会经济数据验证了其在分析多元时空依赖结构的有效性。
2026-08-21 stat.AP stat.ME
A Multivariate Spatial and Spatiotemporal ARCH Model
本文介绍了一种基于向量表示的多变量时空自回归条件异方差模型。该模型包括瞬时空间自回归溢出效应的条件方差，因为它们通常存在于空间计量经济学应用。此外，空间和时间的交叉变量的影响明确建模。我们使用对数平方变换将模型转换为多变量时空自回归模型，并推导出一致的拟最大似然估计（QMLE）。对于有限样本和不同的误差分布，QMLE的性能进行了分析，在一系列的蒙特卡罗模拟。此外，我们说明了新模型的实际使用与现实世界的例子。我们分析了2002年至2014年柏林三种不同类型房产的月度房地产价格回报。我们发现弱（瞬时）的空间相互作用，而在市场风险的时间自回归结构是更重要的。不同属性类型之间的相互作用仅发生在时间滞后变量中。因此，我们主要看到时间波动集群和弱空间波动溢出。
2022-04-26 econ.EM stat.AP stat.ME
spBayes for large univariate and multivariate point-referenced spatio-temporal data models
在本文中，我们详细介绍了spBayes R包中核心函数的重新制定和重写。这些努力集中在提高点引用数据模型的计算效率、灵活性和可用性上。注意算法和计算的发展，从而提高采样器的收敛速度和效率，通过减少参数空间;减少采样器运行时间，避免昂贵的矩阵计算，和;增加可扩展性的大型数据集，通过实施一类预测过程模型，试图克服计算障碍，代表空间过程中的低维实现。除了现有模型函数的这些一般计算改进之外，我们还详细介绍了用于在空间和时间上对数据进行建模的新函数。这些新函数实现了一类动态时空模型，用于空间被视为连续而时间被视为离散的设置。
2013-10-30 stat.CO stat.ME
Matrix-variate integer-valued autoregressive processes
本文针对社会学和经济学中矩阵值整数值时间序列的建模需求，提出矩阵值整数值自回归模型，通过左右矩阵薄化算子定义模型，研究其性质，开发投影与迭代最小二乘估计，并证明其优于现有模型。
2025-09-09 math.ST stat.TH
cubble: An R Package for Organizing and Wrangling Multivariate Spatio-temporal Data
Monash University（莫纳什大学）；University of Natural Resources and Life Sciences（自然与生命科学大学）；BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）；University of Melbourne（墨尔本大学）
cubble R包提供了一种新的数据结构和工具，用于处理和分析多变量时空数据，支持灵活的数据操作和探索。
2024-01-10 stat.CO stat.ME
Wavelet eigenvalue regression for $n$-variate operator fractional Brownian motion
在这篇文章中，我们扩展了Abry和Didier（2017）提出的方法，以获得$n$变量OFBM的Hurst特征值实部的第一个联合估计。该程序由样本小波谱的对数特征值的小波回归组成。估计是一致的任何时间可逆OFBM，并在更强的假设下，也渐近正常从连续或离散时间测量。模拟研究建立有限样本的有效性的方法，并说明其好处相比，单变量（entrywise）分析。作为一个应用程序，我们重温了著名的互联网流量的自相似特性，通过应用所提出的方法，以4变量时间序列的现代，高质量的互联网流量数据。分析表明，存在一个丰富的多元自相似结构。
2017-08-10 math.PR math.ST stat.TH
High-Dimensional Multivariate VAR Estimation with Spatio-Temporal Structure
ByteDance（字节跳动）
本文提出一种高维多变量VAR模型的结构化估计方法，通过引入时空图结构，结合ℓ1正则化和ADMM算法，实现对稀疏转移结构的准确恢复与估计。
2026-05-01 stat.AP stat.ME
Multivariate Spatio-temporal Modelling for Completing Cancer Registries and Forecasting Incidence
Public University of Navarre（纳瓦拉公立大学）；Institute for Advanced Materials and Mathematics (INAMAT2)（先进材料与数学研究所）
本文提出多变量时空共享组件模型，用于在区域和国家层面预测癌症发病率，以解决数据不完整和时间不一致的问题。
2025-11-26 stat.AP stat.ME
A new multivariate meta-analysis model for many variates and few studies
研究通常估计结果与多个变量之间的关联。例如，诊断测试准确性的研究估计灵敏度和特异性，预测和预后因素的研究通常估计多个因素的关联。荟萃分析是一系列统计方法，用于综合多项研究的估计值。存在多变量模型，可解释研究内相关性和研究间异质性。在现有模型中必须估计的参数的数量在变量的数量上是二次的（例如，风险因素）。这意味着如果数据稀疏，变量多，研究少，则它们可能无法使用。我们提出了一个新的模型，解决了这个问题，近似方差-协方差阵，模型内的研究相关性和研究之间的异质性在一个低维空间中使用随机投影。在该模型中必须估计的参数的数量在变量的数量上线性地缩放，并且在近似空间的维度上二次地缩放，使得估计更易于处理。我们进行了一项模拟研究，以比较覆盖范围，偏差和精度的估计，使用该模型的单变量荟萃分析。我们使用一项正在进行的全膝关节置换术后疼痛和功能预测因素的系统评价数据来证明该方法。最后，我们提出了一个决策工具，以帮助分析师选择可用的模型。
2021-02-12 stat.ME
A computationally efficient, high-dimensional multiple changepoint procedure with application to global terrorism incidence
在具有许多变量的数据集中检测变点是一个越来越重要的数据科学挑战。从全球恐怖主义数据库中检测恐怖主义发生率变化的问题，我们提出了一种新的方法来检测多变量时间序列中的多个变点。我们的方法，我们称之为SUBSET，是一种基于模型的方法，它使用惩罚的可能性来检测各种参数设置的变化。我们提供的理论，指导选择的处罚使用SUBSET，并表明它有很高的权力，以检测变化，无论是只有几个变量或许多变量的变化。实证结果表明，SUBSET优于许多现有的方法来检测高斯数据中的均值变化;此外，与这些替代方法不同，它可以很容易地扩展到非高斯设置，例如适合于对恐怖事件进行建模计数。
2021-03-26 stat.AP stat.ME
tinyVAST: R package with an expressive interface to specify lagged and simultaneous effects in multivariate spatio-temporal models
本文介绍 R 包 tinyVAST，通过公式、箭头与滞后符号灵活指定多变量时空依赖，并以阿拉斯加湾海洋调查数据展示其模型比较与生态推断能力。
2024-01-18 stat.AP stat.ME
Spatial deformation in a Bayesian spatiotemporal model for incomplete matrix-variate responses
Federal University of Bahia（巴伊亚联邦大学）；Federal University of Rio de Janeiro（里约热内卢联邦大学）
本文提出一种贝叶斯空间时间模型，通过引入空间变形机制处理不完整矩阵变量响应，提升预测性能，适用于中等规模数据的多变量空间时间过程建模。
2026-04-22 stat.ME
On minimum contrast method for multivariate spatial point processes
本文针对参数化多元空间点过程提出一种基于$K$函数矩阵差异迹的最小对比估计方法，证明其渐近正态性，并通过多元Cox过程模拟验证性能。
2024-07-02 math.ST stat.ME stat.TH
Multivariate Spatiotemporal Hawkes Processes and Network Reconstruction
时空数据中往往存在着潜在的网络结构，网络分析工具可以对这些数据产生有趣的见解。在本文中，我们开发了一个非参数的方法，从时空数据集使用多变量霍克斯过程的网络重建。与以前的工作网络重建点过程模型，这往往集中在专门的时间信息，我们的方法使用时间和空间信息，并不假设一个特定的参数形式的网络动态。这导致了恢复底层网络的有效方法。我们使用合成网络和从现实世界的数据集（基于位置的社交媒体网络，犯罪事件的叙述，和暴力团伙犯罪）构建的网络来说明我们的方法。我们的研究结果表明，相比仅使用时间数据，我们的时空方法产生改进的网络重建，提供了有意义的后续分析的基础-如社区结构和主题分析-重建的网络。
2018-11-15 cs.SI eess.SP nlin.AO
Simultaneous Inference in Multiple Matrix-Variate Graphs for High-Dimensional Neural Recordings
Carnegie Mellon University（卡内基梅隆大学）；Purdue University（普渡大学）；University of Pittsburgh（匹兹堡大学）
本文提出了一种统一框架，结合组惩罚回归和高维高斯近似自助法，用于高维神经记录中多个矩阵变量图的同时推断，实现对任意大小边子集的全局检验。
2026-01-17 math.ST stat.ME stat.TH
A Non-Gaussian Spatio-Temporal Model for Daily Wind Speeds Based on a Multivariate Skew-t Distribution
面对人口增长和工业化造成的国内能源消费增加，沙特阿拉伯的目标是减少对化石燃料的依赖，并通过扩大对可再生能源，包括风能的投资，扩大其能源组合。开发风能基础设施的一项初步任务是评估风能潜力，其中一个关键方面是表征其时空行为。在这项研究中，我们研究了沙特阿拉伯的内部气候变化对季节性风功率密度波动的影响，使用30个模拟在国家大气研究中心开发的大包围项目（LENS）。此外，日风速的时空模型提出了基于邻居的跨时间的依赖性，和一个多变量的斜t分布捕捉高阶矩的空间模式。该模型可用于在整个空间域上生成合成时间序列，其充分再现LENS数据集的内部变异性。
2019-02-13 stat.AP
A new matrix-variate integer-valued autoregressive process with matrical negative binomial thinning
School of Mathematics and Statistics, Changchun University of Technology（长春工业大学数学与统计学院）；School of Mathematics, Jilin University（吉林大学数学学院）
本文针对矩阵值整数时间序列的过度离散问题，提出带矩阵负二项稀疏的新型整数自回归模型，开发两种估计方法并验证其性能，该模型拟合效果优于两类对比模型。
2026-08-25 math.ST stat.TH
Multivariate Time Series Classification using Dilated Convolutional Neural Network
Xsensor Technology Corp（Xsensor科技公司）；University of Alberta（阿尔伯塔大学）
多元时间序列分类是机器学习领域的一个重要研究课题。特征提取是分类任务中的一个主要步骤。传统方法采用手工制作的特征进行分类，而卷积神经网络（CNN）能够自动提取特征。本文将扩张卷积神经网络用于多变量时间序列分类。为了部署扩张的CNN，将多变量时间序列转换为类似图像的样式，并应用扩张和跨步卷积的堆栈来同时提取时间序列中变量的特征。我们在两个人类活动识别时间序列上评估了我们的模型，发现为时间序列提取的自动特征可以像手工制作的特征一样有效。
2019-05-05 cs.LG stat.ML
A Hierarchical Multivariate Spatio-Temporal Model for Large Clustered Climate data with Annual Cycles
本文提出一个多变量层次时空模型来描述月极端气温和月降水量的联合序列。现有360个监测站60年来的数据，缺失数据影响到几乎所有系列。模型组件占时空依赖性与年度周期，依赖于协变量和响应之间。采用最近邻高斯过程对海量数据进行时空相关性建模。响应多变量的依赖关系描述使用coregionalization的线性模型，而年度周期进行评估的时间的圆形表示。所提出的方法可以填补缺失值和容易插值的气候表面在国家一级。背后的动机是对意大利领土上所谓的生态区的描述。生态区划定了在气候、自然地理、水文地理、植被和野生动物方面具有类似潜力的广泛而离散的生态均质地区，并为解释生态过程、干扰状况、植被格局和动态提供了一个地理框架。到目前为止，意大利两个主要的宏观生态区按等级划分为35个区。意大利生态区目前的气候特征是基于1955-1985年期间的数据和生物气候指数，需要适当更新。
2017-12-31 stat.AP
A Spatio-Temporal Multivariate Shared Component Model with an Application in Iran Cancer Data
在联合疾病绘图的建议中，共享组件模型已变得更受欢迎。最近加强疾病数据推断的另一个进展是将纯空间模型扩展到包括时间和时空相互作用。这种分析比纯粹的空间模型有更多的好处。然而，只有少数拟议的时空模型可以处理对多种疾病的联合分析。在所提出的模型中，每个组成部分是由不同的疾病子集，空间和时间的趋势被认为是每个组成部分，这些趋势的相对权重为每个相关疾病的每个组成部分可以估计。我们提出了一个应用所提出的方法在伊朗的七种流行癌症的发病率。可以识别共享组分对个体癌症类型的影响。显示了相对风险的区域和时间变化。我们提出了一个模型，它结合了共享组件与多变量数据的时空技术的好处。我们展示了该模型如何能够分析超越以往方法的疾病之间的地理和时间变化。
2017-07-19 stat.AP
Spatiotemporal Attention for Multivariate Time Series Prediction and Interpretation
Iowa State University（爱荷华州立大学）；Johnson Controls（江森自控）；Lawrence Berkeley National Lab（劳伦斯伯克利国家实验室）；University of California, Berkeley（加州大学伯克利分校）
多变量时间序列建模和预测问题在机器学习的许多应用领域都有着广泛的应用。从明确捕获时间相关性的机器学习模型准确解释这种预测结果可以使领域专家显著受益。在这种情况下，时间注意力已经成功地应用于隔离输入时间序列的重要时间步骤。然而，在多变量时间序列问题中，空间解释对于理解不同变量对模型输出的贡献也至关重要。我们提出了一种新的深度学习架构，称为时空注意力机制（STAM），用于同时学习最重要的时间步长和变量。STAM是因果关系（即，仅取决于过去的输入而不使用未来的输入）和可缩放（即，随着变量数量的增加而很好地缩放）方法，该方法在计算易处理性方面可与最先进的模型相媲美。我们在两个流行的公共数据集和一个特定领域的数据集上展示了我们的模型的性能。与基线模型相比，结果表明，STAM保持了最先进的预测精度，同时提供了准确的时空可解释性的好处。从这些真实世界数据集的领域知识的角度来验证学习的注意力权重。
2020-10-26 cs.LG stat.ML
Anomaly detection by partitioning of multi-variate time series
IRIT, Université Toulouse 3 - Paul Sabatier, CNRS（图卢兹第三大学（保罗·萨巴捷大学）IRIT研究所，法国国家科学研究中心）；IRIT, Université Toulouse 2 - Jean Jaurès, CNRS（图卢兹第二大学（让·饶勒斯大学）IRIT研究所，法国国家科学研究中心）
针对多变量时间序列异常检测，提出无监督方法 PARADISE，通过聚类相关系数划分变量并在子集上局部检测，实验显示性能显著提升。
2025-09-22 cs.LG eess.SP stat.ML
WATTNet: Learning to Trade FX via Hierarchical Spatio-Temporal Representation of Highly Multivariate Time Series
Neuri Pte Ltd（Neuri私人有限公司）；KAIST（韩国科学技术院）
由于低信噪比、非平稳性和部分可观测性，金融是深度学习模型的一个特别具有挑战性的应用领域。无本金交割远期（NDF）是一种用于外汇（FX）交易的衍生品合约，在有效选择合约的开始和结束日期所需的长期规划方面存在额外的困难。在这项工作中，我们专注于解决NDF的男高音选择的问题，利用高维序列数据组成的即期汇率，技术指标和专家男高音模式。为此，我们从存托信托和清算公司（DTCC）的NDF数据构建了一个数据集，其中包括64个外汇对的NDF交易量和每日即期汇率的综合列表。我们引入WaveATTentionNet（WATTNet），一种新的时间卷积（TCN）模型，用于高度多变量时间序列的时空建模，并在NDF市场中验证它，在波动性和一般市场制度方面，训练和测试期间之间存在不同程度的差异。所提出的方法实现了显着的正投资回报率（ROI）在所有NDF市场的分析，表现优于经常性和经典的基线由一个很大的利润。最后，我们提出了两个正交的可解释性方法来验证噪声稳定性和检测学习男高音选择策略的驱动因素。
2019-09-24 cs.LG q-fin.ST stat.ML
A Tidy Framework and Infrastructure to Systematically Assemble Spatio-temporal Indexes from Multivariate Data
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Monash University（莫纳什大学）；University of Natural Resources and Life Sciences, Vienna（维也纳自然与应用生命科学大学）；BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）；University of Melbourne（墨尔本大学）
本文提出了一种模块化的数据管道框架，用于系统性地构建时空索引，通过参数调整和实验设计提升索引的鲁棒性和不确定性分析能力。
2024-05-13 stat.CO
Deep Generative Transformers for Probabilistic Time Series and Spatiotemporal Forecasting
SAFIR, Sorbonne University Abu Dhabi（SAFIR，索邦大学阿布扎赫尔分校）；Indian Institute of Technology Guwahati（印度理工学院古瓦哈蒂分校）
提出Enformer和GEnformer，结合Transformer与engression学习条件分布，无需参数假设即可生成连贯多变量轨迹，在时间序列和时空预测中优于现有方法。
2026-06-23 cs.AI cs.LG stat.ML
Objective Bayesian analysis for the multivariate skew-t model
我们进行贝叶斯分析的p变量偏t模型，提供了一个新的参数化，一组非信息先验和专门设计的采样器，以探索模型参数的后验密度。扩展，如带有偏斜误差的多元回归模型和随机前沿模型，很容易适应。本文中引入的新颖性是通过将Liseo & Parisi（2013）中给出的二元偏态正态模型扩展到更现实的p-变量偏态t模型来给出的。我们还介绍了R包mvst，它允许估计多变量skew-t模型。
2017-05-03 stat.CO stat.ME
Finite Mixtures of Skewed Matrix Variate Distributions
聚类是在数据中发现底层组结构的过程。虽然基于混合模型的聚类是牢固建立在多变量的情况下，有一个矩阵变量分布的工作相对较少，没有与偏态矩阵变量分布的混合物的聚类。四个有限的混合物被认为是偏态矩阵变量分布。参数估计是使用期望条件最大化算法，并模拟和真实数据用于说明。
2018-03-05 stat.CO stat.ME
Bartlett correction of an independence test in a multivariate Poisson model
我们考虑一个相依泊松变量系统，其中每个变量是一个独立变量和一个公共变量之和。这是共同的变量，创造了相关性。在该系统中，可以构建独立性检验，其中原假设是公共变量相同为零。本文考虑最大对数似然比检验。对于该检验，众所周知，检验统计量的渐近分布是零和具有一个自由度的χ 2分布的相等混合。我们研究了该检验的Bartlett校正，希望我们能更好地近似中等大样本量的标称量。这种校正是明确推导出来的，并在模拟研究中探讨其实用性。为了实际的目的，校正被发现是有用的，在二维，但不是在更高的维度。
2021-03-18 math.ST stat.ME stat.TH
Stationary subspace analysis based on second-order statistics
本文提出基于二阶统计量的平稳子空间分析方法，可检测均值、方差和自相关中的非平稳性，并通过模拟验证其有效性。
2021-03-10 stat.ME
Parsimonious Hidden Markov Models for Matrix-Variate Longitudinal Data
隐马尔可夫模型（Hidden Markov Models，简称HMM）已广泛应用于单变量和多变量的研究中。然而，近年来，人们对矩阵变量数据的分析越来越感兴趣。在这篇手稿中，我们介绍了矩阵变量纵向数据，假设一个矩阵正态分布在每个隐藏状态的HISTORY。这样的数据被安排在一个四路数组。为了解决可能的过参数化问题，我们考虑了协方差阵的谱分解，从而得到总共98个Hohm。讨论了一种用于参数估计的期望条件最大化算法。本文首先在模拟数据上对所提出的模型进行了参数恢复、计算时间和模型选择等方面的研究。然后，他们是适合的四路真实数据集的意大利各省的失业率，按性别和年龄组进行评估，在过去的16年。
2021-07-09 stat.ME
A Matrix Variate Skew-t Distribution
虽然有大量的工作在文献中处理偏态的多变量设置，有一个相对缺乏的工作在矩阵变量范式。例如，这类工作对三向数据建模很有用。基于均值-方差矩阵正态混合，导出了一个矩阵变量斜t分布。提出了一种基于期望条件最大化的参数估计算法。模拟数据用于说明。
2017-04-13 math.ST stat.ME stat.TH
Three Skewed Matrix Variate Distributions
三向数据可以方便地使用矩阵变量分布建模。虽然对矩阵变量正态分布的研究已经很多，但对矩阵偏态分布的研究却很少。三个矩阵变量分布，结合偏度，以及其他灵活的属性，如浓度，进行了讨论。多元类似物的等价性，并推导出矩母函数。讨论了极大似然参数估计，并用模拟数据进行了说明。
2018-08-13 math.ST stat.ME stat.TH
Parsimonious Mixtures of Matrix Variate Bilinear Factor Analyzers
多年来，数据已经变得越来越高维，这促使对降维技术的需求增加。这对于聚类（无监督分类）以及半监督和监督分类可能尤其如此。在文献中已经提出了许多方法用于双向（多变量）数据，并且最近已经提出了用于三向（矩阵变量）数据的方法。一种这样的方法是混合矩阵变量双线性因子分析器（MMVBFA）模型。在这里，我们提出了总共64个简约的MMVBFA模型。模拟和真实数据用于说明。
2019-11-20 stat.CO stat.ME
Mixtures of Skewed Matrix Variate Bilinear Factor Analyzers
近年来，数据已经变得越来越高维，因此，增加了对用于聚类的降维技术的需求。虽然这种技术在多变量数据的文献中已经牢固建立，但在矩阵变量或三向数据领域相对较少。此外，可用的几种方法都假设矩阵变量正态性，如果存在聚类偏度或过度峰度，这并不总是明智的。提出了使用偏态矩阵变量分布的双线性因子分析器的混合。在所有，四个这样的混合模型，矩阵变量偏t，广义双曲，方差伽玛，正态逆高斯分布的基础上，分别。
2019-09-27 stat.CO stat.ME stat.ML
Assessing and Visualizing Matrix Variate Normality
提出了一个三向数据矩阵变量正态性的评估框架。该框架包括一个视觉方法和一个基于马氏平方距离（MSD）的拟合优度检验。多元和矩阵变量正态估计的MSD分别被用作矩阵变量正态性的评估工具。具体而言，这些都是使用的距离-距离（DD）图的形式作为可视化矩阵变量正态性的图形方法。此外，我们采用流行的Kolmogorov-Smirnov拟合优度检验的背景下，评估矩阵变量正态性的三向数据。最后，一个适当的模拟研究跨越大范围的维度和数据大小表明，对于各种设置，测试证明自己非常强大。
2019-10-07 math.ST stat.ME stat.TH
Bayesian inference for general Gaussian graphical models with application to multivariate lattice data
我们介绍了有效的马尔可夫链蒙特卡罗方法的推断和模型确定的多元和矩阵变量高斯图形模型。我们的框架是基于G-Wishart先验的精度矩阵与图，可以是可分解或不可分解的。我们扩展我们的抽样算法，一类新的条件自回归模型的稀疏估计在多元格数据，特别强调空间数据的分析。这些模型在估计跨结果的相关性结构和空间相关性结构方面具有很大的灵活性，从而允许自适应平滑和空间自相关参数。我们的方法使用模拟和现实世界的例子，包括癌症死亡率监测的应用程序进行说明。
2010-05-21 stat.ME
A Mixture of Matrix Variate Bilinear Factor Analyzers
多年来，数据已经变得越来越高维，这促使对降维技术的需求增加。这对于聚类（无监督分类）以及半监督和监督分类可能尤其如此。虽然多变量数据聚类领域的降维已经在文献中进行了相当深入的讨论，但在三向或矩阵变量数据领域的工作相对较少。在此，我们开发了一个混合矩阵变量双线性因子分析器（MMVBFA）模型用于聚类高维矩阵变量数据。本文的工作既可以看作是第一个矩阵变量双线性因子分析模型，也可以看作是第一个MMVBFA模型。讨论了参数估计，并用模拟数据和实际数据说明了MMVBFA模型。
2018-09-29 stat.CO stat.ME stat.ML
Exact Bayesian inference in spatio-temporal Cox processes driven by multivariate Gaussian processes
在本文中，我们提出了一种新的推理方法来执行贝叶斯推断时空考克斯过程的强度函数依赖于一个多元高斯过程。动态高斯过程的引入，允许在离散时间的强度函数的演变。该方法的新颖之处在于，没有离散化错误涉及的事实，尽管非易处理的似然函数和无穷维的问题。该方法是基于一个马尔可夫链蒙特卡罗算法，从联合后验分布的参数和潜在变量的模型进行采样。模型的定义一般和灵活的方式，但他们是服从直接采样相关的分布，由于其组件的仔细表征。该模型还允许纳入回归协变量和/或时间分量，以解释强度函数的变异性。这些组件可能会受到与空间和/或时间的相关相互作用。真实和模拟的例子说明了方法，然后是结束语。
2019-03-10 stat.ME
Explainable Outlier Detection for Multivariate Functional Data
TU Wien（维也纳工业大学）；Infineon Technologies Austria AG（英飞凌奥地利股份公司）
本文针对具有分离协方差结构的多元函数数据的鲁棒协方差估计和可解释性异常检测挑战，提出了一种结合随机过程与矩阵变量分布的方法，通过改进鲁棒性和可解释性来估计均值和协方差，并利用Shapley值进行异常检测分解。
2026-09-17 stat.CO stat.ME
Reduced-Rank Tensor-on-Tensor Regression and Tensor-variate Analysis of Variance
拟合具有许多多元响应和协变量的回归模型可能具有挑战性，但此类响应和协变量有时具有张量变量结构。我们扩展了经典的多元回归模型，利用这种结构，在两个方面：首先，我们施加四种类型的低秩张量格式的回归系数。其次，我们使用张量变量正态分布对误差进行建模，该分布对协方差阵施加Kronecker可分离格式。我们通过块松弛算法获得极大似然估计，并推导出它们的计算复杂度和渐近分布。我们的回归框架使我们能够制定张量变量方差方差分析（TANOVA）方法。这种方法，当应用在一个单向的TAANOVA布局，使我们能够识别大脑区域显着相关的互动的自杀未遂者或非自杀意念者和积极的，消极的或死亡暗示的话在功能磁共振成像研究。另一个应用程序使用三向TAANOVA对野生图像数据集中的标记面部进行分析，以区分与种族起源，年龄组和性别相关的面部特征。
2022-04-11 math.ST physics.data-an stat.CO
An Extension of the d-Variate FGM Copula with Application
本文提出基于Legendre多项式的扩展d维FGM copula，推导参数估计量并验证其性质，应用于Bearing数据集，发现经典模型不足，提出简化版更合适。
2025-09-08 stat.AP stat.ME
Block-Independent Likelihood Ratio Testing for High-Dimensional Mean Vectors with Applications to Matrix-Variate Data
Seoul National University（首尔大学）；Inha University（仁荷大学）；Nathan S. Kline Institute for Psychiatric Research（内森·S·克莱恩精神医学研究所）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文提出了一种新的检验方法BILT，用于检验两个高维均值向量的相等性，解决了传统方法在高维情况下失效的问题，并在矩阵变量数据中进行了应用验证。
2026-05-21 stat.ME
