Detection and treatment of outliers for multivariate robust loss reserving
本文提出两种稳健双变量链梯法(基于调整离群度和袋距离)处理异常值,并扩展至N维,在三变量数据集上验证效果。
2023-06-16 q-fin.RM stat.AP stat.ME
Outlier detection and trimmed estimation for general functional data
本文介绍了一般函数型数据均值和协方差函数的截尾估计。估计是基于一个新的措施outlyingness或数据深度,是很好地定义在任何度量空间,虽然本文重点是欧几里德空间。我们计算故障点的估计,并表明,最佳的故障点是可以达到适当的选择调谐参数。通过模拟研究了估计量的小样本行为,证明了它们比其他估计量具有更好的抗离群值特性。这是证实了两个真实数据的应用程序,也表明,outlyingness措施可以被用作一个图形离群检测工具的功能空间中的视觉筛选的数据是困难的。
2012-11-30 stat.ME
Finding Outliers in Surface Data and Video
表面、图像和视频数据可以被认为是具有双变量域的函数数据。针对边缘曲面或图像的检测问题,提出了一种基于网格点边缘度均值和变异性的边缘曲面或图像检测方法。构造一个规则来标记所得到的函数离群值图中的离群值。其异常度的热图指示最偏离规则表面的区域。该方法适用于荧光激发-发射光谱后,拟合PARAFAC模型,MRI图像数据,增强其梯度,和视频监控数据。
2016-01-29 stat.ME
Multivariate and functional classification using depth and distance
我们构造分类器的多元和功能的数据。我们的方法是基于一种数据点和类之间的距离。距离度量需要对离群值具有鲁棒性,并且对数据的线性变换具有不变性。为此,我们可以使用基于半空间深度的袋距离。它满足范数的大多数性质,但当类倾斜时能够反映不对称性。或者,我们可以基于倾斜调整的投影深度来计算离群度的度量。在这两种情况下,我们提出了DistSpace变换,它将每个数据点映射到其到所有类的距离的向量,然后对变换后的数据点进行k-最近邻(kNN)分类。这将不变性和鲁棒性与kNN的简单性和广泛适用性相结合。在实验中与其他方法进行了比较,与真实和模拟数据。
2016-07-07 stat.ME
Choosing among notions of multivariate depth statistics
经典的多元统计方法是根据数据的均值和协方差阵,通过点与均值的马氏距离来度量点的离群性。多变量深度函数是这样一种函数,给定d空间中的一个点和一个分布,通过0和1之间的一个数字来测量中心性,同时满足关于不变性,单调性,凸性和连续性的某些假设。因此,在文献中已经提出了许多多变量深度的概念,其中一些对于极端离群数据也是鲁棒的。偏离经典的马哈拉诺比斯距离并非没有代价。在不变性、鲁棒性和计算可行性之间存在折衷。在过去的几年中,高效的精确算法以及近似的已经构建,并提供在R-包。因此,在实际应用中,由于计算限制,深度统计量的选择不再局限于一个或两个概念;而往往是更多的概念是可行的,其中研究人员必须决定。文章讨论了这种选择的理论和实践方面,包括不变性和唯一性,鲁棒性和计算的可行性。比较了精确算法的复杂度和速度。近似方法,如随机Tukey深度的精度进行了讨论,以及应用到大型和高维数据。扩展到本地和功能的深度和回归深度的连接,很快解决。
2021-05-05 stat.ME
Regularized Multivariate Functional Principal Component Analysis
本文提出正则化多元函数主成分分析(ReMFPCA),通过引入粗糙度惩罚增强主成分的光滑性与可解释性,模拟和真实数据验证其优于现有方法。
2023-06-24 stat.ME stat.ML
On the estimation of the number of components in multivariate functional principal component analysis
本文通过模拟研究探讨多元函数主成分分析中主成分个数的选择,发现传统方差解释阈值方法不可靠,建议谨慎使用。
2025-01-26 stat.ME stat.ML
Multivariate Functional Singular Spectrum Analysis Over Different Dimensional Domains
本文研究了多维泛函奇异谱分析(MFSSA),它是多元奇异谱分析(MSSA)的泛函推广。在下文中,我们提供了支持工作的所有必要的理论细节以及包含算法所需配方的实施策略。我们提供了一个模拟研究,展示了更好的性能,在重建精度的多元函数时间序列(MFTS)的信号发现使用MFSSA相比,其他方法,我们给出了一个真实的数据研究,显示如何MFSSA丰富的分析,利用日间温度曲线和遥感图像的植被。MFSSA可通过Rfsa R包使用。
2020-06-06 stat.ME stat.ML
Extremal Depth for Functional Data and Applications
我们提出了一个新的概念,称为“极值深度”(ED)的功能数据,讨论其属性,并比较其性能与现有的概念。所提出的概念是以极端“怪异”为依据的。ED有几个理想的属性,不共享的其他概念,特别适合于获得中央区域的功能数据和功能空间。特别是:a)中心区域实现标称(期望)同时覆盖概率; b)在基于ED的(同时)中心区域和适当的逐点中心区域之间存在对应关系;以及c)该方法抵抗某些类别的功能异常值。本文研究了ED的性能,并将其与其他深度概念进行了比较。它的有用性证明通过应用程序构建中心区域,功能箱线图,离群值检测,并同时在回归问题的置信带。
2015-10-31 stat.ME
Classification ensembles for multivariate functional data with application to mouse movements in web surveys
我们提出了新的集成模型的多元函数数据分类的组合半度量为基础的弱学习者。我们的模型将当前的半度量类型的方法从单变量扩展到多变量的情况下,提出了新的半度量来计算函数之间的距离,并考虑更灵活的选择,使用堆栈泛化方法结合弱学习者。我们应用这些集成模型来识别受访者对调查问题的困难,旨在提高调查数据的质量。作为难度的预测因素,我们使用来自受访者与网络调查的交互的鼠标移动轨迹,其中操纵了几个问题以创建具有不同难度水平的两个场景。
2022-05-26 stat.ME stat.ML
Trajectory Functional Boxplots
随着数据监控技术在各个科学领域的发展,多元函数数据经常被观察到。因此,越来越多的方法已经出现,以扩展多元函数数据的一般汇总统计。然而,轨迹函数数据作为一个重要的子类型,还没有得到很好的研究。本文提出了两个信息丰富的探索工具,轨迹功能箱线图,和修改的单纯带深度(MSBD)与方向性异常(WO)图的摆动,可视化轨迹功能数据的中心性。新定义的WO指数有效地测量了曲线的形状变化,因此可以作为形状异常值的检测器;此外,MSBD提供了一个中心向外的排名结果,并作为幅度异常值的检测器。使用这两种测量,轨迹的功能箱形图使用原始曲线揭示了中心向外的模式和潜在的离群值,而MSBD-WO图在由MSBD和WO跨越的空间中示出了这样的模式和离群值。所提出的方法进行了验证飓风路径数据和迁移轨迹数据记录从两种类型的鸟类。
2020-12-08 stat.ME
Directed Cyclic Graph for Causal Discovery from Multivariate Functional Data
本文提出一种函数型线性结构方程模型,通过低维因果嵌入空间处理可能含循环的多元函数数据因果发现,并建立完全贝叶斯推断框架,在模拟和脑电图数据上验证了其优越性。
2023-10-31 stat.ME stat.ML
Preprocessing noisy functional data: a multivariate perspective
我们考虑的功能数据是在一组离散的观察点上测量的。通常,这些数据是用额外的噪声测量的。在本文中,我们探讨这种类型的数据的因素结构。我们表明,潜在的信号可以归因于一个相应的因子模型的共同组成部分,并可以相应地估计,借用因子模型文献的方法。我们还表明,主成分,功能数据分析中发挥了关键作用,可以准确地估计后,采取这样的多元,而不是一个“功能”的角度。除了估计的问题,我们还解决测试的零假设的iid噪声。虽然这种假设在文献中很大程度上盛行,但我们认为它通常不切实际,并且没有得到残差分析的支持。
2021-11-22 stat.ME stat.ML
On the use of the Gram matrix for multivariate functional principal components analysis
针对函数型数据分析中协方差算子估计难度随数据规模上升而增加的问题,该研究利用空间对偶性提出基于曲线内积估计多元函数数据集特征元素的方法,明确了协方差算子与内积矩阵特征元素的关联,并给出方法适用指导。
2024-06-20 stat.ME stat.ML
Total Variation Depth for Functional Data
基于数据深度的方法在稳健的多变量数据分析方面已经有了大量的工作。最近的发展已经转移到无限维对象,如功能数据。在这项工作中,我们提出了一个新的概念的深度,总的变化深度,功能数据。作为深度的度量,其性质进行了理论研究,并通过仿真研究了相关的离群点检测性能。与幅度异常值相比,形状异常值往往被其他样本掩盖,更难识别。我们表明,建议的总变化深度有许多可取的功能,非常适合离群值检测。特别是,我们建议将总变化深度分解为两个分量,分别与形状和幅度outlyingness。这种分解使我们能够开发出一种有效的离群值检测程序和有用的可视化工具,同时自然地解释函数数据中的相关性。最后,使用曲线,图像和视频帧的真实数据集证明了所提出的方法。
2016-11-15 stat.ME
Robust Functional Ward's Linkages with Applications in EEG data Clustering
School of Big Data and Statistics, Anhui University(安徽大学大数据与统计学院);Institute of Statistics and Big Data, Renmin University of China(中国人民大学统计与大数据研究院)
本文提出两种鲁棒的函数Ward连接距离度量,通过关注最中心曲线处理异常值,并在模拟和真实EEG数据聚类中优于现有方法。
2026-10-20 stat.ME
Multivariate Functional Regression via Nested Reduced-Rank Regularization
本文提出了一种嵌套降秩回归(NRRR)方法,用于拟合具有多元函数响应和预测因子的回归模型,以实现定制的降维并便于解释/可视化所得到的函数模型。我们的方法是基于一个两级的低秩结构上的功能回归表面。一个全球低秩结构识别一小组潜在的主要功能反应和预测驱动的潜在回归关联。然后,局部低秩结构控制主要功能反应和预测因子之间关联的复杂性和平滑性。通过基扩展方法,函数问题归结为一个有趣的集成矩阵近似任务,其中集成低秩矩阵的块或子矩阵共享一些公共的行空间和/或列空间。提出了一种保证收敛的迭代算法。我们建立的一致性NRRR,并通过非渐近分析表明,它可以实现至少一个可比的误差率的降秩回归。仿真研究证明了NRRR的有效性。我们将NRRR应用于电力需求问题,将每日电力消耗的轨迹与每日温度的轨迹联系起来。
2020-03-10 stat.ME stat.ML
Bayesian Nonparametric Detection of Anomalies in Multivariate Functional Data
McGill University(麦吉尔大学)
提出一种贝叶斯非参数方法,通过无限混合多输出高斯过程建模多元函数数据,自动确定混合分量数,利用切片采样和Besov先验实现稀疏表示,并引入Carlin-Chib步骤选择协方差核,从而无需预设异常数量即可检测异常。
2026-06-18 stat.ME stat.ML
Statistical description and dimension reduction of continuous time categorical trajectories with multivariate functional principal components
Université Bourgogne Europe, CNRS, Institut de Mathématiques de Bourgogne(欧洲勃艮第大学,法国国家科学研究中心,勃艮第数学研究所);Inrae, Centre des Sciences du Goût et de l’Alimentation(法国国家农业食品与环境研究院,味觉与食品科学中心)
本文提出利用多变量函数主成分分析对连续时间分类轨迹进行统计描述与降维,通过二元随机指示函数将问题转化为函数数据分析,展示了在感官感知数据上的应用。
2026-10-12 stat.ME stat.ML
Symmetrisation of a class of two-sample tests by mutually considering depth ranks including functional spaces
本文通过提出一种对两个样本均对称的检验统计量,改进了基于深度秩的双样本检验的功效,将其适用性扩展至函数数据,并通过理论和实验验证了其有效性。
2024-07-30 math.ST stat.ME stat.TH
Cluster weighted models with multivariate skewed distributions for functional data
MacEwan University(麦考文大学);Indian Institute of Technology Kanpur(坎普尔印度理工学院)
该研究提出funWeightClustSkew聚类方法,基于函数线性回归模型混合体与三种偏态多元分布,遵循funHDDC框架扩展聚类加权模型至函数数据,构建EM算法估计参数,在模拟数据和空气质量数据集上验证了性能。
2025-04-17 cs.LG stat.ME stat.ML
Elastic depths for detecting shape anomalies in functional data
我们提出了一个新的家庭的深度措施称为弹性深度,可用于大大提高形状异常检测功能数据。形状异常是具有与其余数据相当不同的几何形式或特征的函数。识别它们通常比识别震级异常更困难,因为形状异常通常无法用可视化方法从大量数据中区分出来。建议的弹性深度使用最近开发的弹性距离直接测量的振幅和相位空间中的功能的中心。在这些空间中测量形状异常度提供了形状的严格量化,这使得弹性深度在检测形状异常方面比其他方法具有强大的理论和实践优势。一个简单的箱形图和阈值的方法来识别形状异常使用的弹性深度。我们评估的弹性深度的检测技巧模拟形状异常的情况下,并将它们与流行的形状异常检测器。最后,我们使用飓风轨迹来演示弹性深度方法在流形值函数数据。补充材料,包括额外的模拟,数据示例和R包可在线获得。
2020-08-06 stat.ME
A Functional SVD Framework for Regularized Multivariate Functional PCA with Dual Penalization
University of Minnesota(明尼苏达大学);Persian Gulf University(波斯湾大学);Marquette University(马凯特大学)
本文提出基于函数奇异值分解的正则化多元函数主成分分析框架,通过双惩罚同时正则化主成分及得分,增强可解释性,并借助幂算法与交叉验证提升提取效果。
2026-09-15 cs.LG stat.ME stat.ML
Multivariate Functional Additive Mixed Models
多变量函数数据本质上可以是多变量的,如2D中的运动轨迹,或者是互补的,如给定气象站随时间的降水、温度和风速。我们提出了一个多变量的功能添加剂混合模型(multiFAMM),并显示其应用程序的数据情况下使用的例子从体育科学(斯诺克运动轨迹)和语音科学(声学信号和辅音的清晰度)。该方法包括线性和非线性协变量效应,并使用多变量函数主成分分析对响应维度之间的依赖结构进行建模。多元函数随机截距捕获给定函数内的自相关性和多元函数维度之间的互相关。它们还允许我们对函数间的相关性进行建模,例如\重复测量或交叉研究设计。对维度之间的依赖性结构进行建模可以生成对多变量函数过程的属性的额外洞察,改进对随机效应的估计,并为协变量效应产生校正的置信带。广泛的模拟研究表明,多变量建模方法比拟合独立的单变量模型的数据,同时保持或提高模型拟合更简约。
2021-10-05 stat.ME
Modeling Multivariate Mixed-Response Functional Data
我们提出了一个贝叶斯建模框架,用于联合分析不同类型(例如二进制和连续数据)的多个功能响应。我们的方法是基于一个多变量的潜在的高斯过程和模型之间的依赖性的功能响应,通过潜在的过程。我们的框架很容易容纳额外的协变量。我们提供了一种方法来估计多变量的潜在协方差,允许实施多变量函数主成分分析(FPCA),以指定基扩展和简化计算。我们证明了我们的方法,通过模拟研究和应用程序的牙周研究的真实数据。
2016-01-11 stat.ME
Partial Separability and Functional Graphical Models for Multivariate Gaussian Processes
多元函数数据的协方差结构可能非常复杂,特别是如果多元维度很大,这使得将标准多元数据的统计方法扩展到函数数据设置具有挑战性。例如,高斯图形模型最近已被扩展到设置多元函数数据,通过应用多元方法截断基展开的系数。然而,与多变量数据相比,一个关键的困难是协方差算子是紧凑的,因此不可逆。在本文中的方法解决了一般问题的协方差建模的多元函数数据,特别是功能高斯图形模型。作为第一步,提出了一个新的概念的多元函数数据的协方差算子的可分性,称为部分可分性,导致一个新的Karhunen-Loève型扩展这样的数据。接下来,部分可分性结构被证明是特别有用的,以提供一个定义良好的功能高斯图形模型,可以确定与一系列的有限维图形模型,每个相同的固定尺寸。这促使一个简单而有效的估计程序,通过联合图形套索的应用。通过模拟和分析运动任务期间的功能性大脑连接来评估图形模型估计方法的经验性能。通过模拟和分析运动任务期间的功能性大脑连接来评估用于图形模型估计的方法的经验性能。
2022-01-04 math.ST stat.ME stat.ML
A Bayesian Multivariate Functional Dynamic Linear Model
我们提出了一个贝叶斯方法建模多变量,相关的功能数据。为了解释数据中的三个主要结构特征--功能性、时间依赖性和多变量成分--我们将多变量时间序列的分层动态线性模型扩展到功能性数据设置。我们还开发了贝叶斯样条理论在一个更一般的约束优化框架。所提出的方法为函数观测确定了一个时不变的函数基础,该函数基础是平滑的和可解释的,并且可以在多变量观测中通用,以实现额外的信息共享。贝叶斯框架允许联合估计的模型参数,提供精确的推断(MCMC错误)的特定参数,并允许广义的依赖结构。从后验分布采样是用有效的吉布斯抽样算法完成的。我们用两个应用程序说明了所提出的框架:(1)来自最近全球经济衰退的多经济体收益率曲线数据,以及(2)大鼠的局部场电位脑信号,为此我们开发了一种多变量时频分析的多变量函数时间序列方法。补充材料,包括R代码和多经济体收益率曲线数据,可在线获取。
2015-08-05 stat.ME
Investigating spatial scan statistics for multivariate functional data
本文介绍了一种新的空间索引的多元函数数据的扫描统计量。新的方法是从MANOVA检验统计量的功能数据,适应的Hotelling T2-检验统计量,和多变量扩展的Wilcoxon秩和检验统计量。在仿真研究中,后两种方法表现出非常好的性能,功能MANOVA的适应也表现出良好的性能为正态分布。我们的方法检测更准确的空间集群比现有的非参数功能扫描统计。最后,我们应用多元函数数据的方法来搜索2020年5月和6月法国北部空气污染物日浓度异常的空间集群。
2021-03-26 stat.ME
Global Depths for Irregularly Observed Multivariate Functional Data
Two frameworks for multivariate functional depth based on multivariate depths are introduced in this paper. The first framework is multivariate functional integrated depth, and the second framework involves multivariate functional extremal depth, which is an extension of the extremal depth for univariate functional data. In each framework, global and local multivariate functional depths are proposed. The properties of population multivariate functional depths and consistency of finite sample depths to their population versions are established. In addition, finite sample depths under irregularl…
2022-11-28 stat.AP stat.ME
Functional Bayesian Networks for Discovering Causality from Multivariate Functional Data
多元函数数据有着广泛的应用。一项基本任务是理解这些功能对象之间的因果关系,这一点尚未得到充分探讨。在这篇文章中,我们开发了一个新的贝叶斯网络模型的多元函数数据的条件独立性和因果结构都编码的有向无环图。具体地说,我们允许函数对象偏离高斯过程,这是大多数现有的函数数据分析模型所采用的。更合理的非高斯假设是唯一的因果结构识别的关键,即使在测量的函数与噪声。设计了一个完全贝叶斯框架,通过后验摘要来推断具有自然不确定性量化的功能贝叶斯网络模型。仿真研究和实际数据的例子被用来证明所提出的模型的实际效用。
2022-10-23 stat.ME
Latent Deformation Models for Multivariate Functional Data and Time Warping Separability
多变量函数数据提出了在单变量函数数据中没有发现的理论和实践并发症。其中之一是多元函数数据的分量函数为正并且受到相互时间弯曲的情况。也就是说,组件过程表现出一个共同的形状,但受到系统的相位变化跨越其域除了主题特定的时间扭曲,其中每个主题有自己的内部时钟。这激发了一种新的模型,多变量函数数据,连接这种相互的时间扭曲到一个潜在的变形为基础的框架,通过利用一个新的时间扭曲可分性假设。这种可分性假设允许有意义的解释和降维。由此产生的潜在变形模型是非常适合代表常见的功能向量数据。所提出的方法结合了一个随机幅度因子为每个组件与人口为基础的注册跨组件的多元函数数据向量,并包括一个潜在的人口功能,它对应于一个共同的底层轨迹。我们为模型的所有组件提出了估计器,从而实现了多变量函数数据和下游分析(如Fréchet回归)的基于数据的表示。当曲线被完全观察到或观察到有测量误差时,建立收敛速率。的有用性的模型,解释,和实际方面的说明,在模拟和应用程序的多变量人类生长曲线和多变量环境污染数据。
2023-03-08 stat.ME
Derivative Estimation of Multivariate Functional Data
针对现有导数估计方法局限于单变量函数型数据的问题,提出DMFPCA和DMKL两种方法估计多元函数型数据导数的主成分与得分,模拟显示DMFPCA性能更优,应用于冠脉造影数据可辅助冠心病分类。
2024-11-27 stat.ME
Generalized Multivariate Functional Additive Mixed Models for Location, Scale, and Shape
提出广义多元函数加性混合模型框架,通过潜在高斯过程和函数主成分建模多层混合类型多元函数数据的条件分布,并在R包中实现,验证了其在交通数据上的有效性。
2024-07-30 stat.ME
Functional regression with multivariate responses
Georgia State University(佐治亚州立大学)
本文提出了一种具有多元响应的功能回归方法,通过同时平滑稀疏惩罚提升预测精度,适用于大规模功能预测变量场景。
2026-02-02 stat.ME
Multivariate Functional Principal Component Analysis for Data Observed on Different (Dimensional) Domains
现有的多元函数主成分分析方法局限于同一一维区间上的数据。所提出的方法侧重于不同领域的多元函数数据,这些数据可能在维度上不同,例如函数和图像。多元泛函主成分分析的理论基础是Karhunen-Loève定理。对于有限Karhunen-Loève表示的实际相关情况,建立了单变量和多变量泛函主成分分析之间的关系。这提供了一种估计策略来计算基于其单变量对应物的多变量函数主成分和分数。对于所得的估计量,渐近结果。该方法可以扩展到一般的有限单变量展开,不一定是正交基。它也适用于稀疏的功能数据或具有测量误差的数据。CRAN上有一个灵活的R实现。新的方法被证明是有竞争力的现有方法上观察到一个共同的一维域的数据。激励应用是一项神经影像学研究,其目标是探索神经心理学测试评分的纵向轨迹如何与基线时的FDG-PET脑扫描协变。补充材料,包括详细的证明,额外的模拟结果和软件可在线获得。
2016-12-05 stat.ME
Structural adaptation via directional regularity: rate accelerated estimation in multivariate functional data
本文提出方向正则性定义多元函数数据的各向异性,通过自适应基变换加速收敛,并构建了估计基变换矩阵的算法,提供非渐近界和模拟验证,建议作为标准预处理步骤。
2025-01-23 math.ST stat.ME stat.ML
MultiFun-DAG: Multivariate Functional Directed Acyclic Graph
针对传统DAG仅处理标量节点的局限,提出MultiFun-DAG,以多元函数为节点,通过双线性回归与EM算法学习带无环约束的图结构,并经数值与交通案例验证其有效性。
2024-04-22 stat.ME
Multipopulation mortality modelling and forecasting: The multivariate functional principal component with time weightings approaches
本文提出两种基于多元函数主成分分析的多人口死亡率联合建模与预测新模型,利用多国性别数据验证表明,所提协同建模方法在预测精度和性质上均优于现有模型。
2021-02-18 stat.AP stat.ME stat.ML
Gaussian Graphical Models for Partially Observed Multivariate Functional Data
University of Florence(佛罗伦萨大学);University of Palermo(巴勒莫大学);University of Trento(特伦托大学)
研究部分观测的多元函数数据,在高斯性等假设下,开发期望最大化(EM)型算法对函数图形模型进行惩罚推断,模拟研究和ESG数据说明展示了该方法的潜力。
2026-07-20 stat.ME
Quasi-parametric rates for Sparse Multivariate Functional Principal Components Analysis
本文给出了多元随机过程第一主成分估计的非渐近结果。我们首先定义多元情形下的协方差函数和协方差算子。然后我们定义一个投影算子。该运算符可以被视为在功能数据分析上下文中从原始数据的重建步骤。接下来,我们表明,本征元素可以表示为一个优化问题的解决方案,我们介绍了LASSO变量的优化问题和相关的插件估计。最后,我们评估估计的准确性。我们建立了一个极小极大下界的均方重构误差的特征元素,这证明了该程序有一个最佳的方差在极小极大意义下。
2022-12-19 math.ST stat.ME stat.ML
Conformal Prediction Bands for Multivariate Functional Data
出于迫切要求的方法能够创建预测集的一般回归框架的多变量功能响应,并推动了新的方法的进步,非参数预测的功能数据,我们提出了一组共形预测,产生有限样本有效或准确的多变量同时预测波段下的温和假设,可交换的回归对。预测带可以围绕任何回归估计量构建,并且可以很容易地以封闭形式找到,这一事实产生了一种非常广泛可用的方法,并且实现起来相当简单。此外,我们首先介绍,然后描述一个特定的共形预测,保证渐近结果的效率和诱导预测频带能够调制其宽度的基础上的本地行为和幅度的功能数据。该方法进行了调查和分析,通过模拟研究和现实世界中的应用在城市交通领域。
2021-06-03 stat.ME
Graphical Principal Component Analysis of Multivariate Functional Time Series
School of Mathematics, Sun Yat-sen University(中山大学数学学院);Center for Applied Statistics and School of Statistics, Renmin University of China(中国人民大学统计学院,应用统计中心)
本文提出了一种用于多变量函数时间序列的图示主成分分析方法,通过动态弱分离性来表征双向依赖结构,并用于从受污染数据中重建信号。
2026-01-26 stat.ME
Bayesian Graphical Models for Multivariate Functional Data
图形模型表达变量之间的条件独立关系。虽然矢量值数据的方法已经很成熟,但函数数据图形模型仍然不发达。我们引入了随机函数之间的条件独立性的概念,并构建了一个框架,贝叶斯推断的无向,可分解的图在多元函数数据的背景下。这个框架是基于扩展马尔可夫分布和超马尔可夫定律从随机变量随机过程,提供了一个原则性的替代天真的应用程序的多元方法离散化的功能数据。马尔可夫性便于根据图的分解来组合似然和先验。我们的重点是使用正交基展开的高斯过程图形模型。我们提出了基展开的无穷系数序列的协方差核的超逆Wishart-process先验,证明了其存在性、唯一性、强超马尔可夫性和共轭性.随机搜索马尔可夫链蒙特卡罗算法的后验推理,通过模拟评估,并应用于大脑活动和酗酒的研究。
2016-01-05 stat.ME
Estimation of Multivariate Functional Principal Components from Sparse Functional Data
University College Dublin(都柏林大学学院)
本文提出通过最大似然估计结合改进的Gram-Schmidt正交化方法,改进传统方法以估计多元函数主成分,并通过阿尔茨海默病研究和爱尔兰奶牛数据验证其有效性。
2026-03-20 stat.CO stat.ME
Unified Operator Framework for Functional and Multivariate Regression
Auburn University(奥本大学)
本文提出一个统一的算子框架,通过一般测度定义的积分算子,统一了标量、多变量和函数回归。研究显示,传统回归模型作为不同输入输出测度下的特殊情形出现,且离散表示在测度细化时收敛于连续算子。
2026-05-11 stat.ME
Spatial Principal Component Analysis and Moran Statistics for Multivariate Functional Areal Data
Institute of Mathematical Sciences, Faculty of Science, Universiti Malaya(马来亚大学理学院数学科学研究所);Universiti Malaya Centre for Data Analytics, Universiti Malaya(马来亚大学数据分析中心);Center of Research for Statistical Modelling and Methodology, Faculty of Science, Universiti Malaya(马来亚大学理学院统计建模与方法研究中心);Institut de Mathématiques de Bordeaux, UMR 5251, CNRS, Université de Bordeaux, Bordeaux INP(波尔多大学波尔多数学研究所);Mathematics, Division of Science, New York University Abu Dhabi(纽约大学阿布扎比分校理学院数学系);CNRS, UMR 8524–Laboratoire Paul Painlevé, Inria-Datavers, Université de Lille(里尔大学保罗·潘勒瓦数学研究中心);Independent Researcher(独立研究者)
提出多元函数面域空间主成分分析(mfasPCA)框架和多元函数Moran's I统计量,用于评估空间自相关并对方域观测的多元函数数据进行降维。
2026-06-03 stat.ME
Flexible joint models for multivariate longitudinal and time-to-event data using multivariate functional principal components
本文提出用多元函数主成分表示共享随机效应,以提升多标志物与生存时间联合模型的可扩展性和非线性轨迹建模能力,并通过模拟与原发性胆汁性胆管炎数据验证。
2023-12-11 stat.ME
Sparse Functional Boxplots for Multivariate Curves
This paper introduces the sparse functional boxplot and the intensity sparse functional boxplot as practical exploratory tools. Besides being available for complete functional data, they can be used in sparse univariate and multivariate functional data. The sparse functional boxplot, based on the functional boxplot, displays sparseness proportions within the 50\% central region. The intensity sparse functional boxplot indicates the relative intensity of fitted sparse point patterns in the central region. The two-stage functional boxplot, which derives from the functional boxplot to detect outl…
2022-05-27 stat.AP stat.ME
Functional clustering via multivariate clustering
本文提出将函数型数据通过上下图像指标及其导数转化为多元数据,再利用成熟多元聚类技术进行聚类,并通过模拟和真实数据验证其有效性。
2021-07-31 stat.AP stat.ME
Cross-Component Registration for Multivariate Functional Data, With Application to Growth Curves
随着现代技术的进步,多变量函数数据变得无处不在,并且比单变量函数数据复杂得多。我们提出并研究了一种新的多元函数数据模型,其中组件过程受到相互时间弯曲。也就是说,分量过程呈现出类似的形状,但是在它们的时域上经受系统的相位变化。为了解决这个以前未考虑的变形模式,我们提出了新的注册方法,这是基于移位变形模型。我们的方法从根本上不同于所有现有的注册方法的功能数据。也就是说,而不是专注于传统的方法来翘曲,其中一个目的是恢复个人特定的注册,我们专注于移位注册跨组件的多元函数数据向量的人口范围内的水平。我们提出的这些变化的估计是可识别的,享受参数收敛率,往往有直观的物理解释,所有这些都与传统的曲线特定的注册方法。我们证明了所提出的方法的实施和解释,通过将我们的方法应用于苏黎世纵向增长数据,并在模拟中研究其有限样本性质。
2020-07-22 stat.ME
A k-means procedure based on a Mahalanobis type distance for clustering multivariate functional data
本文提出了一个聚类过程中的多元函数的样本$(L^2(I))^{J}$,与$J\geq1$。该方法基于k-均值算法,其中曲线之间的距离是用在Hilbert空间中推广Mahalanobis距离的度量来测量的,考虑了函数数据的所有分量的相关性和可变性。所提出的程序进行了研究,在模拟和比较的k-均值的基础上,通常采用的聚类多元函数数据的距离。在这些模拟中,它示出的k-means算法与广义马氏距离提供了最好的聚类性能,无论是在平均值和标准差的误分类曲线的数量。最后,所提出的方法已被应用到两个真实的案例研究,关于心电信号和生长曲线,在模拟中得到的结果得到证实和加强。
2017-08-01 stat.ME
Bayesian Multivariate Sparse Functional Principal Components Analysis
Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出MSFAST方法,通过贝叶斯框架处理稀疏函数数据,改进主成分估计并提升计算效率,适用于小信噪比场景。
2026-05-07 stat.ME
Detecting and Classifying Outliers in Big Functional Data
我们提出了两种新的离群点检测方法,用于识别和分类(大)函数数据集中不同类型的离群点。所提出的方法是基于现有的方法称为大规模无监督离群点检测(MUOD)。MUOD通过为每条曲线计算三个指数来检测和分类异常值,所有这些指数都基于线性回归和相关性的概念,这些指数相对于数据中的其他曲线在形状、大小和幅度方面测量异常值。第一种方法“Semifast-MUOD”使用观测样本计算指数,而第二种方法“Fast-MUOD”使用逐点或$L_1$中值计算指数。经典的箱形图被用来从典型观测值中分离出异常值的指数。所提出的方法使用模拟数据的性能评估显示显着的改进相比,MUOD,无论是在离群值检测和计算时间。我们表明,Fast-MUOD特别适合于处理大而密集的功能数据集,与其他方法相比,计算时间非常短。与最近的一些离群值检测方法的功能数据的进一步比较也显示出优越的或可比的离群值检测精度的方法。我们将所提出的方法应用于天气,人口增长和视频数据。
2021-10-14 stat.AP stat.ME
Classification of multivariate functional data on different domains with Partial Least Squares approaches
本文针对不同定义域上的多元函数型数据分类问题,提出PLS分类及树PLS方法,并证明其PLS成分可仅由一元函数型数据PLS方法计算获得。
2024-06-10 math.ST stat.ME stat.TH