Supervised classification for a family of Gaussian functional models
在函数型数据的监督分类(判别)框架下,证明了对于一类具有“三角形”协方差函数的高斯过程,可以显式地得到最优分类规则。这种明确的知识有两个实际后果。首先,为所指示的过程类建立众所周知的最近邻分类器(在具有功能数据的问题中不能保证)的一致性。其次,更重要的是,参数和非参数插件分类器可以通过估计未知元素的最佳规则。这些新的插件分类器的性能检查,积极的结果,通过模拟研究和一个真实的数据例子。
2010-04-28 math.ST stat.ML stat.TH
Model-based functional mixture discriminant analysis with hidden process regression for curve classification
Université de Toulon(土伦大学);Aix Marseille Université(艾克斯-马赛大学);ENSAM(国立高等工程技术学院);Institut Universitaire de France(法国大学研究院);IFSTTAR(法国交通与安全科学技术研究所)
在本文中,我们研究的建模和分类的功能数据呈现政权随时间的变化。我们提出了一种新的基于模型的功能混合判别分析方法的基础上,一个特定的隐藏过程回归模型,管理政权随时间的变化。我们的方法是特别适合于处理复杂形状的曲线类的问题,其中每个类是潜在的几个子类组成,并处理每个同质子类内的政权变化。该模型通过混合模型公式明确地集成了每类曲线的异质性,并且通过隐藏的逻辑过程在每个子类内改变政权。每一类复杂形状的曲线是由有限数量的同质集群,他们中的每一个被分解成几个政权。通过使用专用的期望最大化(EM)算法最大化数据对数似然来学习每个类的模型参数。比较与替代曲线分类方法,包括功能线性判别分析和功能混合判别分析与多项式回归混合物和样条回归混合物。模拟数据和实际数据的实验结果表明,该方法在判别力方面优于其他方法,并显着提高了曲线的逼近。
2013-12-25 cs.LG math.ST stat.ME
Optimal Discriminant Functions Based On Sampled Distribution Distance for Modulation Classification
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
在这封信中,我们推导出调制分类的最佳判别函数的基础上采样的分布距离。所提出的方法分类各种候选星座使用低复杂度的方法的基础上,在特定的测试点沿累积分布函数的分布距离。该方法基于贝叶斯决策准则,在给定一组测试点的情况下,渐近地提供可能的最小分类误差。测试点位置也进行了优化,以提高分类性能。该方法提供了显着的增益超过现有的方法,也使用的信号特征的分布。
2013-02-19 cs.LG cs.PF stat.ML
Spatial Depth-Based Classification for Functional Data
我们通过引入核函数空间深度(KFSD)来扩大可用的函数深度的数量。KFSD是最近提出的功能空间深度(FSD)的一个面向本地和基于内核的版本,对于研究需要在本地水平上进行分析的功能样本可能是有用的。此外,我们考虑监督功能分类问题,集中在组之间的差异不是非常明确的情况下,或数据可能包含离群曲线。我们通过一些可用的鲁棒方法进行分类,这些方法涉及使用给定的功能深度,包括FSD和KFSD等。我们使用的功能\textit{k} -最近邻分类器作为基准程序。仿真研究的结果表明,KFSD为基础的分类方法,导致良好的效果。最后,我们考虑两个真正的分类问题,得到的结果与模拟曲线观察到的结果一致。
2014-03-20 stat.ME
Joint Curve Registration and Classification with Two-level Functional Models
当数据是曲线或函数时,最近已经提出了许多分类技术。然而,曲线中存在的错位问题会影响大多数曲线的性能。在本文中,我们提出了一个基于模型的方法,同时曲线注册和分类。该方法提出了一个功能的逻辑斯谛回归模型,依赖于标量变量和函数变量的基础上进行曲线分类,并通过数据配准模型同时对齐曲线。基于EM的算法进行极大似然推理的建议模型。我们建立了曲线配准模型的可辨识性结果,并研究了所提出的估计方法的渐近性质。仿真研究表明,所提出的模型的有限样本性能。脑卒中患者舌骨运动数据的应用表明了新模型的有效性。
2020-11-04 stat.ME
Statistical classification for partially observed functional data via filtering
本文讨论了L2值随机协变量的函数分类问题,其中一些协变量可能有缺失或不可观测的片段。这里,允许训练样本以及新的未分类观测在其函数协变量中具有缺失片段。此外,与文献中大多数先前的结果不同,协变量片段通常被假设为完全随机完全随机缺失,我们在这里不施加任何这样的假设。鉴于所观察到的曲线段,我们构建了一个内核类型的分类器,这是非常简单的实现在实践中。我们还建立了强一致性的建议分类器,并提供了一些数值例子来评估其在实践中的性能。
2018-11-28 stat.ME
Nonparametric functional data classification and bandwidth selection in the presence of MNAR class variables
针对类别标签MNAR缺失的非参数函数型数据分类问题,提出核方法分类规则与带宽选择程序,并分析误分类误差的收敛速率及数值性能。
2025-09-10 stat.ME
A reproducing kernel Hilbert space framework for functional data classification
当我们试图借用经典分类器的力量来分类函数数据时,我们遇到了瓶颈。主要的问题是,功能数据本质上是无限维的,因此经典的分类器不能直接应用或由于维数灾难而性能不佳。为了解决这个问题,我们建议将功能数据投影到一个特定的方向上,然后在投影分数的基础上建立一个距离加权的歧视DWD分类器。投影方向是通过最小化的经验风险函数,其中包含特定的损失函数在DWD分类器,在再生核希尔伯特空间。因此,我们提出的分类器可以避免过拟合,并享受DWD分类器的吸引力。这个框架进一步扩展,以适应功能性数据分类问题,涉及标量协变量。与以前的工作相比,我们建立了一个非渐近的相对误分类率的估计误差界。在有限样本的情况下,我们证明了所提出的分类器相比,毫不逊色于一些常用的功能分类器的预测精度,通过模拟研究和现实世界中的应用。
2021-03-08 stat.ME
Empowering Multi-class Classification for Multivariate Functional Data with Simultaneous Feature Selection
本文针对函数型预测变量数量远大于样本量的复杂函数型数据多类分类问题,提出函数型 BIC 深度神经网络,通过稀疏深度 ReLU 网络与 LassoNet 实现特征选择与分类同步进行,并在模拟和 ADNI 真实数据中验证了其优越性能。
2025-07-21 stat.ME
Fast DD-classification of functional data
介绍了一种用于函数型数据分类的快速非参数方法。它由原始数据的两步变换加上在低维超立方体上操作的分类器组成。首先将函数数据映射到有限维位置斜率空间,然后通过多元深度函数将其转换为单位超立方体的子集$DD$ -图。这种转换产生了函数数据深度的新概念。为此采用了三个可选的深度函数,以及用于$[0,1]^q$上的最终分类的两个规则。所得到的分类器必须仅在小范围的参数上进行交叉验证,这受到Vapnik-Cervonenkis界限的限制。整个方法不涉及平滑技术,是完全非参数的,并允许在标准分布设置下实现贝叶斯最优。它是健壮的,可有效计算的,并已在R环境中实现。新方法的适用性证明了模拟以及基准研究。
2016-01-28 stat.ME
Nonparametric Regression and Classification with Functional, Categorical, and Mixed Covariates
我们考虑多个协变量的非参数预测,特别是分类或功能预测,或两者的混合。所提出的方法基于Nadaraya-Watson估计器的扩展,其中核函数应用于距离测量的线性组合,每个距离测量是在单个协变量上计算的,权重是从训练数据中估计的。因变量可以是分类的(二元或多类)或连续的,因此我们考虑分类和回归问题。人工和真实世界的数据说明和评估所提出的方法。特别地,可以观察到,可以增加预测精度,并且可以通过以完全数据驱动的方式“降级”对应的距离测量来识别/去除不相关的噪声变量。
2022-08-04 stat.ME
Optimal subsampling for functional composite quantile regression in massive data
针对海量函数型数据计算受限问题,本文提出基于函数L-最优性准则的复合分位数回归最优子抽样方法,并证明其优于均匀子抽样。
2024-06-28 stat.ME
Classification of geometrical objects by integrating currents and functional data analysis. An application to a 3D database of Spanish child population
本文着重于应用判别分析的一组几何对象(机构)的特点是电流。电流是一个相关的数学对象,可以通过沿超曲面积分矢量场来对几何数据(如超曲面)进行建模。作为选择向量值再生核希尔伯特空间(RKHS)作为测试空间来整合超曲面的结果,可以认为超曲面嵌入在该希尔伯特空间中。这种嵌入使我们能够考虑几何对象的分类算法。给出了一种将函数判别分析应用于所得到的向量值RKHS的方法。该方法基于核的特征函数分解。因此,本文的新颖之处在于使用电流和向量值RKHS理论在函数数据分析术语中重新表述了大小和形状分类问题。这种方法适用于从西班牙儿童人口的人体测量调查获得的3D数据库,具有潜在的应用,童装的在线销售。
2022-06-17 stat.ME
Classification of functional fragments by regularized linear classifiers with domain selection
我们考虑的问题的分类功能数据分为两组线性分类器的基础上一维预测的功能。我们重新制定的任务,找到最好的分类器作为一个优化问题,并解决它的正则化技术,即共轭梯度法与早期停止,主成分方法和岭方法。我们研究了经验版本与有限的训练样本组成的不完整的功能观察到不同的子集的域,并表明,最佳的,可能为零,错误分类概率可以在沿着可能的非收敛的经验正则化路径。由于能够处理零碎的训练数据,我们提出了一个域扩展和选择过程,可以找到超出常见观察的最佳域所有曲线的域。在模拟研究中,我们比较了不同的正则化方法,并调查域选择的性能。我们的方法说明了医疗数据集,在那里我们观察到由于域扩展的分类精度的大幅提高。
2017-08-28 stat.ME
Optimal Short-Term Forecast for Locally Stationary Functional Time Series
本文研究非平稳函数型时间序列的短期线性预测,提出统一的函数型自回归逼近与双重筛扩张方法,证明其渐近最优性,并通过电信流量数据验证实用性。
2023-07-18 stat.ME
Variation Pattern Classification of Functional Data
提出了一种新的功能数据分类方法。这项工作的动机是需要确定的功能,区分神经系统的条件,其中记录的局部场电位(LFP)。无论条件如何,这些局部场电位具有零均值,因此这些随机过程的一阶矩不具有辨别力。本文提出了变异模式分类(VPC)方法,该方法采用自协方差算子作为判别特征,并利用Hilbert-Schmidt范数来度量不同组的自协方差算子之间的差异。所提出的VPC方法被证明是敏感的差异,{潜在地导致更高的分类率}。一个重要的创新在于降维,其中VPC方法数据自适应地确定解释主要差异的基函数(判别特征函数)。此外,所选择的判别特征函数提供了对不同群体之间差异的见解,因为它们揭示了区分群体的变化模式的特征。一致性属性的建立,此外,模拟研究和分析大鼠大脑LFP轨迹经验证明了所提出的方法的优点和有效性。
2022-02-05 stat.ME
Optimal Designs for Longitudinal and Functional Data
我们提出了新的最优设计的纵向数据的常见情况下,纵向数据收集的资源是有限的,通过确定最佳的位置,在时间测量。对于所有的最优设计,都需要一些先验信息来实现所提出的最优设计。我们证明,这种先验信息可能来自一个试点纵向研究,有不规则的测量和噪声测量,其中每个主题有一个小的随机数的重复测量,随机位于域。感兴趣的第二种可能性是,试点研究由密集测量的功能数据和一个打算采取只有几个测量在战略上放置的位置在该领域的未来收集类似的数据。我们通过两个标准构建最优设计:(a)最优设计,从几个最优放置的测量值中恢复每个受试者的未知潜在平滑随机轨迹,以使预测误差平方最小化;(b)最优设计,再次从几个最优放置的测量值中最小化具有功能或纵向预测因子和标量响应的功能线性回归的预测误差。所提出的优化设计解决了需要稀疏的数据收集时,规划纵向研究,利用纵向和功能数据分析之间的密切联系。我们在模拟中表明,所提出的设计表现得比随机选择的设计点,包括一个激励数据的例子,从巴尔的摩纵向研究老化。所提出的设计具有渐近最优性。
2016-04-18 stat.ME
Optimal design of experiments for functional linear models with dynamic factors
本文研究函数对函数线性回归模型中函数系数的精确估计,通过扩展经典最优设计定义提出A-最优和D-最优设计,并用算法和模拟数据验证了方法可行性。
2024-12-18 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
Robust optimal estimation of location from discretely sampled functional data
估计位置是功能数据分析中的一个核心问题,但目前大多数估计过程要么不切实际地假设完全观察到的轨迹,要么缺乏鲁棒性,相对于许多种异常,可以在功能设置中遇到。为了弥补这些不足,我们介绍了第一类最佳的鲁棒位置估计的基础上离散采样的功能数据。所提出的方法是基于M-型平滑样条估计重复测量,适用于共同和独立观察轨迹受到测量误差。我们表明,在适当的假设下,所提出的估计族对于常见和独立观察到的轨迹都是极大极小率最优的,我们在蒙特卡洛研究和涉及最近Covid-19数据的真实数据示例中说明了其极具竞争力的性能和实用性。
2021-04-05 stat.ME
Semi-supervised Classification for Noisy Functional Data with Application to Astronomical Spectra
Tongji University(同济大学);University of Cambridge(剑桥大学);North China University of Technology(华北理工大学)
本文提出基于Fermat距离的半监督分类器,用于处理函数数据,通过实验展示其在天文光谱分析中的优越性能。
2026-08-12 stat.ME
Optimal Functional Bilinear Regression with Two-way Functional Covariates via Reproducing Kernel Hilbert Space
针对二维函数协变量回归中估计二维系数函数效率低的问题,提出函数双线性回归模型与三项粗糙度惩罚,在再生核希尔伯特空间下实现极小极大最优预测,并通过迭代广义交叉验证提升计算效率。
2024-11-25 stat.ME
An Outlyingness Matrix for Multivariate Functional Data Classification
多元函数数据的分类是科学研究中的一项重要任务。与逐点数据不同,函数数据通常按其形状而不是按其尺度进行分类。我们定义了一个outlyingness矩阵扩展方向outlyingness,一个有效的措施的形状变化的曲线,结合了outlyingness的方向与传统的深度。我们提出了两个分类器的基础上的方向outlyingness和outlyingness矩阵,分别。我们的分类器提供了更好的性能相比,现有的基于深度的分类器时,适用于单变量和多变量的功能数据从模拟研究。我们还测试了我们的方法对两个数据问题:语音识别和手势分类,并获得与模拟数据的结果是一致的。
2018-04-22 stat.ME stat.ML
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
Multiclass classification for multidimensional functional data through deep neural networks
Yale University(耶鲁大学);Auburn University(奥本大学)
针对多维函数数据因无限维特征导致标准分类方法失效的问题,提出多类函数深度神经网络(mfDNN)分类器,采用ReLU激活函数和交叉熵损失,推导了误分类风险收敛速率并在模拟和基准数据集上验证了其性能。
2023-05-24 cs.LG stat.ME
The EE-Classifier: A classification method for functional data based on extremality indexes
本文提出EE-分类器,利用修正的上图与下图像指标性质对函数型数据进行有监督分类,并在真实与合成数据及标普500股票波动分析中验证了其有效性。
2024-11-22 math.FA stat.ME
A novel generalized additive scalar-on-function regression model for partially observed multidimensional functional data: An application to air quality classification
Universidad Carlos III de Madrid(马德里卡洛斯三世大学)
提出一种广义可加函数回归模型,无需插补即可处理部分观测的多维函数数据,并通过模拟研究和印度Dimapur空气污染分类应用验证了其有效性和准确性。
2025-10-30 stat.AP stat.ME
The Mahalanobis distance for functional data with applications to classification
本文提出了一个一般概念的马哈拉诺比斯距离的功能数据,扩展了经典的多元概念的情况下,观察到的数据是属于曲线产生的随机过程。更准确地说,一个新的半距离函数的意见,推广了通常的马哈拉诺比斯距离的多元数据集。为此,开发在希尔伯特空间中使用正则化平方根逆算子。一些功能的马氏半距离的主要特点。之后,几个众所周知的功能分类程序的新版本的开发使用功能数据的马哈拉诺比斯距离作为功能观测之间的接近度的度量。几个著名的功能分类程序的性能进行了比较,与功能数据的马哈拉诺比斯距离,积极的结果,通过Monte Carlo研究和两个实际数据的例子分析使用的方法。
2013-04-17 math.ST stat.CO 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
Copula-based functional Bayes classification with principal components and partial least squares
我们提出了一个新的功能贝叶斯分类器,使用主成分(PC)或偏最小二乘(PLS)得分从共同的协方差函数,即,协方差函数边缘化组。当组具有不同的协方差函数时,PC或PLS得分不需要是独立的或甚至不相关的。我们使用Copula来模拟这种依赖关系。我们的方法是半参数的边缘密度估计非参数核平滑和copula参数建模。我们关注高斯和t-copula,但也可以使用其他copula。我们的方法的强大性能,通过模拟,真实数据的例子,和渐近性质证明。
2021-09-17 stat.AP stat.ME
Classification of Functional Data with k-Nearest-Neighbor Ensembles by Fitting Constrained Multinomial Logit Models
在过去的几十年中,已经开发了许多用于功能数据分析的方法,包括分类方法。尽管如此,有一些问题,目前可用的方法,没有得到满意的解决,例如,特征选择结合变量选择时,使用多个功能协变量。本文将函数系综与惩罚约束多项logit模型相结合。结果表明,这种合成产生一个功能数据(可能与非功能预测混合),它也提供了自动变量选择功能强大的分类工具。选择一个适当的,稀疏诱导惩罚允许估计大多数模型系数正好为零,并允许类特定的系数在多类问题,这样的特征选择获得。多项logit模型中的一个附加约束确保模型系数可以被视为权重。因此,估计结果变得可解释相对于所选择的特征的判别重要性,这是由特征重要性度量评级。在两个应用实例中,检验了用于水质监测实验的细胞芯片的数据和用于语音识别的音素数据、可解释性以及选择结果。的分类性能进行比较,在常用的各种其他分类方法。
2017-02-06 stat.AP stat.ME
Functional Neural Networks: Shift invariant models for functional data with applications to EEG classification
SNAP GmbH(SNAP有限公司)
本文提出函数神经网络(FNNs),将多层感知机和卷积神经网络扩展到函数型数据,实现平移不变并保持平滑性,在准确率上优于FDA基准模型并成功用于脑电图分类。
2023-08-10 cs.LG stat.ME stat.ML
Estimating Sleep & Work Hours from Alternative Data by Segmented Functional Classification Analysis (SFCA)
Monash University(莫纳什大学)
替代数据越来越多地用于预测人类和经济行为。本文通过将互联网重新概念化为全球范围内的数据驱动洞察平台,介绍了一种新型的替代数据。使用来自超过1.5万亿次最终用户互联网连接观察的独特互联网活动和位置数据集的数据,我们构建了一个功能数据集,覆盖了7年内超过1,600个城市,时间分辨率仅为15分钟。为了从这个数据集中预测睡眠和工作活动的准确时间模式,我们开发了一种新技术,分段功能分类分析(SFCA),并将其性能与各种线性,功能和分类方法进行比较。为了证实SFCA的更广泛的适用性,在第二个应用中,我们使用SFCA从美国城市范围的电力需求功能数据预测睡眠和工作活动。在这两个问题,SFCA表现出优于目前的方法。
2020-10-16 cs.LG econ.EM stat.AP
Randomized Spline Trees for Functional Data Classification: Theory and Application to Environmental Time Series
University of Campania Luigi Vanvitelli(坎帕尼亚路易吉·万维泰利大学);Universitas Mercatorum(墨卡托大学)
针对环境时间序列分类问题,提出融合随机化B样条函数表示与随机森林的随机样条树算法,理论分析其降误差机制,实验显示其在6个UCR数据集上准确率最高提升14%,为函数型数据分析与环境时序研究提供新路径。
2024-09-12 cs.LG stat.ME stat.ML
Optimal Estimation for the Functional Cox Model
功能协变量在许多医学、生物人口统计学和神经影像学研究中很常见。本文研究了具有右删失数据的函数型Cox模型在函数型和标量型协变量同时存在的情形。研究了极大偏似然估计的渐近性质,建立了有限维估计的渐近正态性和渐近有效性。在再生核Hilbert空间的框架下,证明了函数协变量系数函数的估计在加权$L_2$ -风险下具有极小极大最优收敛速度.该最优速率由删失方案、再生核和协方差核共同决定。详细讨论了估计方法的实现和平滑参数的选取。通过仿真实例和实际应用说明了有限样本性能。
2016-01-27 math.ST stat.ME stat.TH
Model-Based Clustering and Classification of Functional Data
Normandie Univ, UNICAEN, UMR CNRS LMNO, Department of Mathematics and Computer Science(诺曼底大学、卡昂大学、法国国家科学研究中心LMNO联合研究单位、数学与计算机科学系);Department of Mathematics and Statistics, La Trobe University(拉筹伯大学数学与统计系);La Trobe University(拉筹伯大学)
复杂数据分析问题是现代统计科学和学习系统的中心话题,并且随着高维数据的日益流行而变得更加广泛。挑战在于开发能够从原始数据中获取知识以进行探索性分析的统计模型和自主算法,这可以通过聚类技术实现,或者通过分类对未来数据进行预测(即,判别分析)技术。潜在数据模型,包括基于混合模型的方法,是无监督上下文中最流行和最成功的方法之一(即,聚类)和监督的一个(即,分类或区分)。虽然传统上是多变量分析的工具,但当在函数数据分析(FDA)的框架中考虑时,它们越来越受欢迎。FDA是数据分析范式,其中单个数据单元是函数(例如,曲线、曲面),而不是简单的向量。在许多应用领域中,分析的数据确实经常以函数或曲线的离散值的形式可用(例如,时间序列,波形)和表面(例如,2D图像、时空数据)。与经典的多变量(非函数)数据分析的情况相比,数据的这种函数方面增加了额外的困难。我们回顾并提出了基于模型的功能数据聚类和分类的方法。我们推导出完善的统计模型以及有效的算法工具来解决这些高维数据的聚类和分类问题,包括它们的异质性,缺失信息和动态隐藏结构。所提出的模型和算法被说明在现实世界的功能数据分析问题,从几个应用领域。
2018-03-02 cs.LG stat.ME stat.ML
Functional L-Optimality Subsampling for Massive Data
海量数据给分析带来了巨大的内存和计算挑战。这些挑战可以通过从完整数据中提取子样本作为替代来解决。对于功能数据,通常会在其域上收集多个测量值,当样本量较大时,这需要更多的内存和计算时间。当需要通过自举样本进行统计推断时,计算将更加密集。据我们所知,本文是第一次尝试研究函数线性模型的子采样方法。提出了一种基于泛函L-最优性准则的最优子采样方法。当响应是离散或分类变量时,我们进一步将我们提出的函数L-最优子采样(FLoS)方法扩展到函数广义线性模型。我们建立了估计的渐近性质的FLoS方法。我们提出的FLoS方法的有限样本性能进行了广泛的仿真研究。通过分析两个大规模数据集:全球气候数据和肾移植数据,进一步证明了FLoS方法。对这些数据的分析结果表明,FLoS方法是远远优于均匀子采样的方法,可以很好地近似的结果的基础上的完整的数据,同时大大减少了计算时间和内存。
2021-07-06 stat.CO stat.ME
Optimal Prediction in an Additive Functional Model
The functional generalized additive model (FGAM) provides a more flexible nonlinear functional regression model than the well-studied functional linear regression model. This paper restricts attention to the FGAM with identity link and additive errors, which we will call the additive functional model, a generalization of the functional linear model . This paper studies the minimax rate of convergence of predictions from the additive functional model in the framework of reproducing kernel Hilbert space . It is shown that the optimal rate is determined by the decay rate of the eigenvalues of a s…
2013-01-21 math.ST stat.ME stat.TH
On the use of reproducing kernel Hilbert spaces in functional classification
哈耶克-费尔德曼二分法确定了两个高斯测度要么相互绝对连续(因此每个测度相对于另一个测度都有一个Radon-Nikodym密度),要么相互奇异。与有限维高斯测度的情况不同,在处理高斯随机过程时,这两种情况都有非平凡的例子。该文件规定:(a)在相互绝对连续的高斯过程的监督二元分类的几个相关问题中,最佳(贝叶斯)规则和最小分类错误概率的显式表达式。该方法依赖于再生核Hilbert空间(RKHS)理论中的一些经典结果。(b)根据相互奇异性,对Delaigle和Hall(2012)描述的“接近完美分类”现象的解释。我们表明,这些作者提出的渐近最优规则,可以确定与序列的最优规则的近似序列的分类问题中的绝对连续的情况下。(c)一种新的基于模型的方法,用于二元分类问题中的变量选择,该方法以非常自然的方式从RN导数和底层RKHS结构的显式知识中产生。可以使用来自所选变量的不同分类器。特别是,经典的,线性有限维费雪规则原来是一致的,在一些标准条件下的基本功能模型。
2016-08-08 math.ST stat.ME stat.TH
Augmented Functional Random Forests: Classifier Construction and Unbiased Functional Principal Components Importance through Ad-Hoc Conditional Permutations
Faculty of Technological and Innovation Sciences(技术与创新科学学院);Faculty of Economics and Law(经济与法学院)
本研究将函数型数据分析与树模型结合,提出增强型函数型分类树和随机森林,通过特设条件置换实现无偏函数主成分重要性评估,在真实与模拟数据集上均提升了分类性能。
2024-08-23 cs.LG math.ST stat.ME
Ordinal classification for interval-valued data and interval-valued functional data
本文首次研究以区间值数据和区间值函数型数据为输入的有序分类问题,提出六种分类器,并通过合成与真实数据实验证明利用顺序和区间信息可提升准确率。
2023-10-30 stat.AP stat.ME stat.ML