Modal clustering of matrix-variate data
基于密度的聚类的非参数公式(称为模态聚类)在组与数据底层密度函数的模态的吸引域之间绘制了对应关系。它的概率基础允许一个自然的,但不是微不足道的,概括的方法,矩阵值的设置,越来越普遍,例如,在纵向和多变量时空研究。本文介绍了基于核方法的矩阵变量分布的非参数估计,并分析了它们的渐近性质。此外,我们提出了一个泛化的均值漂移过程的模式的估计密度的识别。鉴于矩阵变量数据固有的高维性,我们讨论了一些局部自适应的解决方案来处理这个问题。我们测试的过程中,通过广泛的模拟,也相对于一些竞争对手,并说明其性能,通过两个高维真实数据的应用。
2020-10-26 stat.ME
Asynchronous Distributed ECME Algorithm for Matrix Variate Non-Gaussian Responses
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of Iowa(爱荷华大学);Virginia Commonwealth University(弗吉尼亚联邦大学)
针对具有偏度、对称性或重尾的不规则纵向数据,提出矩阵变量偏t响应回归模型REGMVST,采用MVST分布、DEC结构处理数据特性,开发ECME算法并扩展为异步分布式ADECME提升效率,实证与理论验证其优越性且提供R包。
2025-11-12 stat.CO 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
Longitudinal Functional Data Analysis
我们考虑分析相关的功能数据,因为一个基于神经网络的设计:每个受试者在重复的时间访问和每次访问,我们记录一个功能变量。我们提出了一种新的简约建模框架,重复观察的功能变量,允许提取低维特征。所提出的方法占纵向设计,是专为研究的动态行为的基本过程,是计算速度快。该框架的理论性质进行了研究,数值研究证实了在有限样本的优秀行为。所提出的方法的动机,并应用于多发性硬化症的扩散张量成像研究。使用Shiny(Chang等人,2015),我们实现了交互式图,以帮助可视化纵向功能数据以及使用所提出的方法获得的各种组件和预测。
2015-06-29 stat.ME
An efficient EM algorithm for both element-wise and structural missingness in matrix-variate normal mixture models
University of British Columbia(不列颠哥伦比亚大学)
针对矩阵正态混合模型的元素级与结构性缺失,提出高效部分EM算法,可减少计算时间并实现高光谱图像的同步插补与聚类。
2026-09-02 stat.CO stat.ME stat.ML
Multilinear tensor regression for longitudinal relational data
关系数据的一个基本方面,例如来自社交网络,是关系之间依赖的可能性。特别地,一对节点的成员之间的关系可能对另一对节点的成员之间的关系具有影响。本文开发了一种回归模型来估计纵向和多元关系数据或其他可以用张量形式表示的数据的上下文中的这种影响。该模型是基于一般的多元线性张量回归模型,其特殊情况是张量自回归模型,其中在一个时间点的关系张量从以前的时间点的关系简约回归。这是通过一个可分离的或克罗内克结构的回归参数以及一个可分离的协方差模型来完成的。在纵向多变量关系数据的分析的背景下,它显示了多线性张量回归模型可以表示经常出现在关系和网络数据,如互惠性和传递性的模式。
2015-11-05 stat.ME
Robust principal components for irregularly spaced longitudinal data
考虑具有$i=1,...,n$和$j=1,...,p_{i},$的纵向数据$x_{ij},$,其中$x_{ij}$是在$t_{j}.$时间观察到的随机函数$X_{i}\left( .\right) $的$j-$第次观察本文的目标是通过一组$q$平滑函数的线性组合来开发数据的简约表示法$H_{k}\left( .\right) $($k=1,..,q)$在$x_{ij}\approxμ_{j}+\sum_{k=1}^{q}β_{ki}H_{k}\left( t_{j}\right) ,$的意义上,使得它满足三个目标:它能抵抗非典型的$X_{i}$(“案例污染”),它能抵抗某些$t_{ij}$的孤立的严重错误(“单元格污染”),并且当某些$x_{ij}$丢失(“不规则间隔”-或“不完整”-数据)时可以应用。将提出两种方法来解决这个问题。其中一个涉及上述三个目标,并且基于类似于MM估计(Yohai 1987)的思想。另一个是一个简单而快速的估计,可以应用到完整的数据与情况下,细胞污染,是基于应用一个标准的鲁棒主成分估计和平滑的主方向。真实和模拟数据的实验表明,完整的数据,简单的估计优于其竞争对手,而MM估计是不完整的数据的竞争力。关键词:主成分,MM估计,纵向数据,B样条,不完全数据。
2018-03-26 stat.ME
Co-clustering of time-dependent data via Shape Invariant Model
多变量时变数据,其中多个特征随时间被观察到的一组个人,在许多应用领域中越来越普遍。为了对这些数据进行建模,我们需要考虑时间和变量之间的关系,同时还要考虑受试者的异质性。我们提出了一种新的共同聚类方法,用于聚类的个人和变量,同时旨在处理功能和纵向数据。我们的方法借用了一些概念,从曲线配准框架中嵌入形状不变模型的潜在块模型,估计通过一个适当的修改SEM-Gibbs算法。由此产生的程序允许几个用户定义的规格的概念集群,可以选择实质性的理由,并提供了简约的总结复杂的纵向或功能数据的数据矩阵划分成同质块。
2021-04-07 stat.ME
A new approach for Bayesian joint modeling of longitudinal and cure-survival outcomes using the defective Gompertz distribution
本研究提出基于缺陷Gompertz分布的纵向与治愈生存结局贝叶斯联合建模框架,通过集成嵌套拉普拉斯近似估计参数,经验证可用于评估不同抗癫痫疗法的长期有效性。
2025-07-31 stat.ME
Tensor Graphical Lasso (TeraLasso)
本文介绍了一种多路张量推广的双图套索(BiGLasso),它使用一个双向稀疏克罗内克和多变量正态模型的精度矩阵,简约地模型的基础上的笛卡尔积图的矩阵变量数据的条件依赖关系。我们称这种推广为{ \bf Te}或g{ \bf}物理Lasso(TeraLasso)。我们使用理论和实例证明,TeraLasso模型可以从非常有限的高维变量的数据样本中准确和可扩展地估计,这些变量具有多向坐标,如空间,时间和重复。统计一致性和统计收敛率分别为精度矩阵的BiGLasso和TeraLasso估计量及其支持(非稀疏)集的估计量。我们提出了一个可扩展的复合梯度下降算法,并分析了计算的收敛速度,表明复合梯度下降算法是保证以几何速度收敛到TeraLasso目标函数的全局最小值。最后,我们使用气象数据集的模拟和实验数据来说明TeraLasso,表明我们可以准确地估计精度矩阵,并从高维复杂数据集中恢复有意义的条件依赖图。
2019-09-23 stat.ME
Teaching Longitudinal Linear Mixed Models End-to-End: A Reproducible Case Study in Mouse Body-Weight Growth
College of Health, Oregon State University(俄勒冈州立大学健康学院)
针对纵向线性混合模型教学缺乏连贯可复现工作流的问题,通过小鼠体重增长案例构建端到端建模流程,提供配套代码与清单作为教学应用模板。
2025-11-18 q-bio.OT stat.ME
Regression Trees for Longitudinal Data
在研究反应轨迹时,通常感兴趣的人群可能足够多样化,在其中存在不同的亚组,并且在这些亚组中反应的纵向变化可能不一致。也就是说,纵向曲线中协变量的时间斜率和/或影响可能在这些不同的亚组中有所不同。例如,Raudenbush(2001)以抑郁症为例,认为假设给定人群中的所有人都会经历抑郁症的增加或减少是不正确的。在这种情况下,传统的线性混合效应模型(假设协变量和时间的共同参数形式)不直接适用于整个人群,因为组平均轨迹可以掩盖重要的亚组差异。我们的目的是以最简约的方式,根据基线协变量的组合,识别和表征纵向同质亚组。这一目标可以通过使用基线协变量作为划分变量为纵向数据构建回归树来实现。我们提出了LongCART算法来构造纵向数据的回归树。在每个节点中,所提出的LongCART算法通过参数不稳定性测试来确定是否需要进一步分裂(即纵向剖面的参数是否受任何基线属性的影响),因此进一步分裂的决定是第一类错误受控的。我们已经得到了所提出的不稳定性测试的渐近结果,并通过模拟研究检查整个算法的有限样本行为。最后,我们应用LongCART算法研究了HIV患者胆碱水平的纵向变化。
2014-07-13 stat.ME stat.ML
Feature selection for longitudinal microarray data by adapting a pathway analysis method
简介:特征选择和基因集分析在生物信息学中越来越受到关注。虽然这两种方法已经开发了不同的目的,我们描述了一些基因集分析方法可以用来进行特征选择。在这里,我们适应的基因集分析方法,显著性分析的微阵列基因集减少(SAMGSR),特征选择,并提出了两个扩展-简单SAMGSR和两个级别SAMGSR纵向微阵列数据识别相关功能。结果和讨论:当应用于实际应用时,简单和两级SAMGSR都能很好地工作。使用模拟数据,我们进一步证明,这两个SAMGSR扩展有能力识别真正的相关基因。如果相关基因与不相关基因之间的相关性不高,则两个SAMGSR扩展给出的最终模型也是简约的。结论:通过将SAMGSR用于特征选择并将所提出的算法应用于纵向基因表达数据集,我们证明了基因集分析方法可以用于特征选择的目的。我们相信这项工作为更多的研究铺平了道路,以弥合特征选择和基因集分析与新算法的发展。
2015-11-26 q-bio.QM stat.AP stat.ME
MMM: Clustering Multivariate Longitudinal Mixed-type Data
Univ Lyon, Univ Lyon 2, ERIC(里昂大学、里昂第二大学、ERIC)
提出MMM模型,通过矩阵多元正态分布混合在潜在维度聚类多元纵向混合型数据,同时建模异质性与时间依赖,无需条件独立假设。
2025-09-15 cs.LG stat.ME stat.ML
Vector Vine Copula Models for Multivariate Longitudinal Data
Melbourne Business School, University of Melbourne(墨尔本商学院,墨尔本大学)
本文提出向量可绘制藤(VD-vine)连接函数模型,将传统藤扩展到向量节点以处理多元纵向数据的非高斯边际和非线性序列依赖,通过递归条件传输实现高效推断,并在模拟和八波澳大利亚面板数据中验证了其预测优势。
2026-09-18 econ.EM 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