Robust Two-Layer Partition Clustering of Sparse Multivariate Functional Data
针对稀疏多元函数数据，提出了一种新的弹性时间距离，并将其应用于一种鲁棒的基于距离的两层划分聚类方法。利用该距离，新方法不仅可以检测出稀疏多变量函数数据在离群点设置下的正确聚类，而且可以检测出不属于任何聚类的离群点。经典的基于距离的聚类方法，如基于密度的空间聚类的应用程序与噪声（DBSCAN），凝聚层次聚类，和$K$ -medoids扩展到稀疏的多元函数的情况下，新提出的距离的基础上。仿真数据的数值实验表明，该算法的性能优于现有的基于模型和扩展的基于距离的方法的性能。以西北太平洋气旋路径资料为例，验证了该方法的有效性。
2023-03-19 stat.CO stat.ME
Modelling multivariate extreme value distributions via Markov trees
针对高维多元极值建模难题，提出将二元 max-stable 分布组合成马尔可夫树，利用 Prim 算法学习树结构，实现对未知 max-stable 分布的近似及罕见事件概率推断。
2024-12-24 math.ST stat.ME stat.TH
Multi-feature Clustering of Step Data using Multivariate Functional Principal Component Analysis
本文提出了一种新的统计方法，用于聚类步骤数据，这是一种很容易从可穿戴设备中获得的流行形式的健康记录数据。由于阶跃数据是高维的，零膨胀的，经典的方法，如K均值和分割周围的medoid（PAM）不能直接应用。该方法是一种新的组合，新构造的变量反映了台阶数据的内在特征，例如数量、强度和模式，而多元函数主成分分析可以整合台阶数据的所有特征进行聚类。所提出的方法是通过应用传统的聚类方法，如K-均值和PAM从这些变量中获得的多元函数主成分得分。仿真研究和实际数据分析表明，聚类质量显着改善。
2020-10-15 stat.AP stat.ME
Multiple block sizes and overlapping blocks for multivariate time series extremes
块极大值方法构成了极值分析中统计工具箱的基本部分。然而，大多数相应的理论是在简化的假设下得出的，即块极大值是来自真正的极值分布的独立观测值。然而，在实践中，块大小是有限的，并且来自不同块的观测是相关的。关于后者的并发症的理论还没有得到很好的发展，并且在多变量的情况下，最近才建立了一个单一的块大小的不相交块。我们表明，使用重叠的块，而不是不相交的块导致统一的改进的渐进方差的多变量经验分布函数的重新缩放块的最大值和任何光滑的泛函（如经验copula），而没有任何牺牲的渐近偏差。我们进一步推导出多元经验分布函数和经验copula函数的泛函中心极限定理，这些函数在块大小参数上是一致的，这似乎是基于块极大值的估计的第一个结果。该理论允许在多个块大小上的各种聚合方案，导致在单个分组长度情况下的实质性改进，并为进一步的方法开发打开了大门。特别是，我们考虑偏差校正程序，可以提高极值估计的收敛速度，并在主要目的是偏差校正时，对二阶参数的估计提供一些新的启示。
2019-07-22 math.ST stat.ME stat.TH
Conditional Extremes with Graphical Models
Lancaster University（兰卡斯特大学）；Newcastle University（纽卡斯尔大学）
研究多元极端事件概率和幅度，针对经典模型计算成本高及CMEVM半参数推理和高维预测差的问题，提出CMEVM扩展模型及高效推理程序，模拟研究和实际应用验证了模型灵活性和有效性。
2026-07-22 math.ST stat.ME stat.TH
Modelling multivariate extremes through angular-radial decomposition of the density function
提出一种基于密度函数角-径向分解的SPAR模型，用于多元极值建模，该模型将极值建模转化为角度密度和条件径向尾部建模，并证明其比现有方法更通用，且涵盖多种常用方法。
2024-02-12 math.ST stat.ME stat.TH
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
Clustering of multivariate tail dependence using conditional methods
University of Bath（巴斯大学）；University of Edinburgh（爱丁堡大学）
针对多元极值聚类难解释比较的问题，提出基于条件极值框架的新方法，利用偏几何詹森 - 香农散度构建差异度量，经模拟研究和实际应用验证，该方法优于现有方法且能扩展到多元场景。
2026-07-17 stat.AP stat.ME
Multivariate Functional Data Modeling with Time-varying Clustering
We consider the situation where multivariate functional data has been collected over time at each of a set of sites. Our illustrative setting is bivariate, monitoring ozone and PM $_{10}$ levels as a function of time over the course of a year at a set of monitoring sites. The data we work with is from 24 monitoring sites in Mexico City which record hourly ozone and PM $_{10}$ levels. We use the data for the year 2017. Hence, we have 48 functions to work with. Our objective is to implement model-based clustering of the functions across the sites. Using our example, such clustering can be consid…
2019-05-01 stat.ME
Model-based clustering of multivariate binary data with dimension reduction
最近，具有降维的聚类方法受到统计学的广泛关注，并且已经提出了许多同时执行聚类和降维的方法。这项工作提出了一种新的程序，同时确定最佳的聚类结构的多元二进制数据和子空间，以表示该聚类结构。该方法是基于多元伯努利分布的有限混合模型，并假设每个组件具有低维表示的集群结构。该方法可以被认为是传统的潜在类分析模型的扩展。稀疏性被引入到负载值中，从而产生低维子空间，以增强子空间的可解释性和更稳定的提取。一个基于EM算法的开发，以有效地解决所提出的优化问题。我们证明了所提出的方法的有效性，将其应用到模拟研究和真实数据集。
2014-06-14 stat.ME
Total positivity in multivariate extremes
本研究针对多元极值中的正相关性问题，提出极值版二阶多元全正性EMTP₂，证明Hüsler–Reiss分布满足该性质的充要条件，给出带拉普拉斯约束的凸优化估计量，验证其一致性与稀疏性，在多瑙河流量数据上表现优于现有方法。
2023-06-14 math.ST stat.ME stat.TH
Graphical models for multivariate extremes
本文综述极值图模型的基本概念与最新进展，统一了指数测度视角，涵盖非参数与Hüsler--Reiss模型，并应用于美国机场航班延误数据分析。
2024-02-03 math.ST stat.ME stat.TH
Correlated Multivariate Poisson Processes and Extreme Measures
多元泊松过程在保险、金融和应用概率的许多其他领域有着重要的应用。在本文中，我们研究了反向模拟方法来模拟多变量泊松过程，并分析了连接到极端的措施，描述联合分布的过程中，在终端模拟时间。
2017-10-27 stat.ME
Model-based clustering and classification using mixtures of multivariate skewed power exponential distributions
多元幂指数（MPE）分布的混合物的家庭已被引入，并显示出竞争力的聚类分析相比，其他椭圆混合物，包括高斯分布的混合物。在这里，我们提出了一个家庭的混合物的多元偏功率指数分布相结合的灵活性MPE分布的能力，模型偏度。这些混合物对正态性的变化更稳健，并且可以解释偏度、变化的尾部权重和数据的峰值。采用基于Stiefel流形上加速线搜索算法的最小化-最大化和最优化相结合的广义期望-最大化方法进行参数估计。这些混合在基于模型的聚类和分类框架中实现。模拟和基准数据都用于说明和比较其他混合物的家庭。
2023-01-20 stat.CO stat.ME
Stable sums to infer high return levels of multivariate rainfall time series
强降雨分布模型在任何与水循环相关的影响研究中都是必不可少的，例如洪水风险。尽管如此，统计分析，考虑到极端降雨的时间和多变量的性质是罕见的，往往需要一个复杂的去聚类步骤，使极端降雨时间独立。一个自然的问题是如何在多变量上下文中绕过这种去聚类。为了解决这个问题，我们引入了稳定和方法。我们的目标是将时间和空间的极端依赖性的重尾分析。为了达到我们的目标，我们建立在定期变化的平稳时间序列的大偏差。数值实验表明，我们的新方法从两个方面增强了收益水平的推断。首先，它在时间依赖性方面是鲁棒的。我们在独立和依赖观察上同样实现它。在单变量设置中，它提高了置信区间的精度相比，需要时间去聚类的主要估计。其次，它考虑到了空间依赖性。在模拟中，多元稳定和方法比其分量实现具有更小的均方误差。我们应用我们的方法来推断高回报水平的每日秋季降水量从一个国家网络的气象站在法国。
2022-05-12 math.ST stat.AP stat.ME
Tracking change-points in multivariate extremes
在本文中，我们设计了一个统计方法跟踪和建模的变化点的依赖结构的多元极值。这些方法的动机是通过对加密资产的案例研究来说明的。
2020-11-10 q-fin.ST stat.ME
Kernel PCA for multivariate extremes
Columbia University（哥伦比亚大学）；Cornell University（康奈尔大学）；National University of Singapore（新加坡国立大学）
我们提出核主成分分析作为一种方法，用于分析多变量极值的依赖结构，并证明它可以是一个强大的工具，聚类和降维。我们的工作提供了一些理论上的洞察核PCA获得的原像，证明在一定条件下，他们可以有效地识别数据中的聚类。我们建立在这些新的见解，以严格表征基于极值样本的核PCA的性能，即，半径超过大阈值的随机向量的角部分。更具体地说，我们专注于在极值理论的角度或频谱措施，其特征在于多变量极端的渐近依赖性，并提供了一个仔细的分析的情况下，极端的线性因子模型产生。我们的核PCA原像的性能，这样的极端利用他们的渐近分布与戴维斯-卡汉扰动界的理论保证。我们的理论研究结果补充说明我们的方法的有限样本性能的数值实验。
2022-11-24 cs.LG math.ST stat.ME
Robust Model-Based Clustering
提出了一类新的混合模型的稳健Fisher-相合估计量.这些估计可以用来构建强大的基于模型的聚类程序。我们详细研究的情况下，多元正态混合物，并提出了一个程序，使用S估计的多元位置和分散。我们开发了一种算法来计算估计量，并建立集群，这是非常相似的期望最大化算法。一个广泛的蒙特卡罗模拟研究表明，我们的建议相比，毫不逊色于其他强大的和非强大的基于模型的聚类程序。我们将我们的和替代的程序应用到一个真实的数据集，并再次发现，使用我们的建议获得最好的结果。
2021-06-08 math.ST stat.CO stat.ME
Multivariate Functional Clustering with Variable Selection and Application to Sensor Data from Engineering Systems
针对多传感器函数型数据聚类中存在无信息传感器的问题，提出一种结合函数主成分分析、高斯混合模型和三种惩罚的自动变量选择聚类方法，有效识别信息传感器并揭示系统运行模式。
2024-01-04 stat.ME
A Joint Modeling Approach for Clustering Mixed-Type Multivariate Longitudinal Data: Application to the CHILD Cohort Study
在流行病学和临床研究中，基于纵向特征识别患者的表型对于理解疾病的发展模式至关重要。目前的研究是由加拿大出生队列研究的数据，儿童队列研究的动机。我们的目标是使用多个纵向呼吸特征将参与者聚类为具有相似纵向呼吸特征的亚组，以确定临床相关的疾病表型。为了适当地解释这些纵向标记的不同结构和类型，我们提出了一种新的联合模型，用于聚类混合类型（连续、离散和分类）的多变量纵向数据。我们还开发了一个马尔可夫链蒙特卡罗算法来估计模型参数的后验分布。介绍并讨论了儿童队列数据和模拟数据的分析。我们的研究表明，所提出的模型作为一个有用的分析工具，聚类多元混合型纵向数据。我们开发了一个R包BCClong来有效地实现所提出的模型。
2023-03-21 stat.AP stat.ME
Finite Mixtures of Multivariate Poisson-Log Normal Factor Analyzers for Clustering Count Data
本文提出基于协方差约束的多元泊松-对数正态因子分析器混合模型，用于计数数据聚类，通过变分推断估计参数，在RNA测序数据上表现良好。
2023-11-13 stat.CO stat.ME stat.ML
Latent-Class Poisson-Lognormal Mixed Models for Clustering Multivariate Longitudinal Count Data
Carleton University（卡尔顿大学）
本研究针对多变量纵向计数数据的聚类需求，提出潜类别泊松-对数正态混合模型，采用变分EM算法估计，经模拟验证效果良好，还应用于COVID-19患者的中性粒细胞RNA-seq数据。
2026-10-12 stat.ME
Max-stable models for multivariate extremes
多变量极值分析关注的是多变量随机样本中的极值，也就是说，其中至少一些分量具有异常大的值的点。数学理论建议对单变量和多变量极值使用最大稳定模型。一个全面的帐户给出的各种方式，其中最大稳定模型的描述。此外，还提出了一种构造最大稳定分布参数族的方法。虽然该装置并不新，但其作为模型生成器的作用似乎尚未得到充分利用。
2012-04-02 math.PR stat.ME
Deep Learning of Multivariate Extremes via a Geometric Representation
针对现有几何极值推断方法仅适用于低维、假设严格的问题，本文提出新理论结果并首次用深度学习建模极限集，构建灵活的高维极值依赖半参数模型，在北海气象海洋数据上验证了有效性。
2024-09-13 math.ST stat.ME stat.ML
Robust model-based clustering via mixtures of multivariate pseudo-Voigt distributions
University of British Columbia-Okanagan（不列颠哥伦比亚大学奥肯那根分校）
该研究提出多元伪沃伊特分布混合模型，用于鲁棒基于模型聚类与异常值检测，经模拟与真实数据验证，在重尾数据上的聚类及异常值检测性能优于现有模型。
2026-08-31 stat.ME stat.ML
A Multivariate Poisson-Log Normal Mixture Model for Clustering Transcriptome Sequencing Data
在高通量测序研究中经常遇到离散和偏斜性质的高维数据。分析网络本身或这类数据中基因之间的相互作用仍然存在许多挑战。由于数据可视化技术对于更高维度变得繁琐，并且当数据中同质子组之间没有明确的分离时无法令人信服，聚类分析提供了一种直观的替代方案。在这种情况下，应用基于混合模型的聚类的目的是发现共表达的基因组，这可以揭示基因产物的生物学功能和途径。提出了一种用于高通量转录组测序数据聚类的多变量Poisson-Log Normal（MPLN）混合模型。MPLN模型能够拟合广泛的相关性和过度分散情况，并且是对RNA测序研究的多变量计数数据建模的理想选择。通过马尔可夫链蒙特卡罗期望最大化算法（MCMCM-EM）进行参数估计，并使用信息准则进行模型选择。
2017-11-30 q-bio.QM stat.CO stat.ME
Model-based bi-clustering using multivariate Poisson-lognormal with general block-diagonal covariance matrix and its applications
本文提出基于多元泊松-对数正态模型和块对角协方差矩阵的双聚类方法，支持列簇数跨组固定或变化，通过变分高斯近似估计参数，并在模拟数据和乳腺癌RNA测序数据上验证了准确性与计算效率。
2025-03-11 stat.AP stat.ME
A parallelizable model-based approach for marginal and multivariate clustering
University of Edinburgh（爱丁堡大学）；Universidad Torcuato Di Tella（托尔夸托·迪特拉大学）
本文开发了一种聚类方法，利用基于模型的聚类的坚固性，同时试图减轻它的一些陷阱。首先，我们注意到标准的基于模型的聚类可能会导致每个边缘的聚类数量相同，这对于各种数据集来说似乎是一个相当人为的假设。我们通过为每个保证金指定一个有限混合模型来解决这个问题，该模型允许每个保证金具有不同数量的聚类，然后使用我们称为Reign-and-Conquer的策略游戏启发算法对多变量数据进行聚类。其次，由于建议的聚类方法只指定一个模型的利润率-但离开联合未指定-它具有的优势是部分并行化，因此，所提出的方法是计算吸引力，以及更易于处理的中到高维比一个“完整的”（联合）基于模型的聚类方法。人工数据上的一组数值实验表明，所提出的方法在各种情况下的整体性能良好，并使用真实数据集来展示其在实践中的应用。
2022-12-07 cs.LG stat.ME stat.ML
Likelihood estimators for multivariate extremes
推断多变量极值的主要方法是用极值事件极限中的一个参数族来近似观测值的联合上尾。后者可以表示为分量极大值、高阈值方差或点过程，得到不同但相关的渐近特征和估计。本文阐明了主要的似然估计之间的联系，并评估其实际性能。我们调查他们的能力，估计极值依赖结构和预测未来的极端，使用精确的计算和模拟，在逻辑模型的情况下。
2015-06-16 stat.ME
Non-parametric Clustering of Multivariate Populations with Arbitrary Sizes
我们提出了一个聚类过程，分组K人口到具有相同的依赖结构的子组。该方法适用于配对总体，并可用于面板数据。它依赖于从K种群估计的K密度Copula的正交投影系数之间的差异。每个集群，然后由人口具有显着相似的依赖结构。Ngounou-Bakam和Pommeret（2022）最近的检验统计量用于自动构建此类聚类。该过程是数据驱动的，并取决于渐近水平的测试。我们说明了我们的聚类算法，通过数值研究，并通过两个真正的数据集：一个小组的金融数据集和保险数据集的损失和分配损失调整费用。
2022-11-11 stat.AP stat.ME stat.ML
Non-Parametric Simulation of Multivariate Extreme Events via Spectral Bootstrap
Université Paris Cité（巴黎西岱大学）；CNRS（法国国家科学研究中心）；Univ Brest（布雷斯特大学）；Sorbonne Université（索邦大学）；Université Claude Bernard Lyon 1（里昂第一大学）
本文提出一种非参数模拟方法，通过多变量广义极值分布的频谱表示，生成额外的极值数据以提升极值推断的可靠性，适用于高维极值场景的风险评估。
2026-04-10 stat.ME
Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram
提出一种基于频域的鲁棒模糊聚类框架，利用 Kendall tau 典型相干性提取跨变量特定频率单调关系，有效提升含噪高维多元时间序列聚类精度，并成功揭示脑电图中的认知状态标记。
2025-10-31 stat.AP stat.ME stat.ML
Multivariate Tail Estimation: Conditioning on an extreme event
我们考虑规则变化的随机向量。我们的目标是以非参数的方式估计一些与极端事件有关的特征，如尾部依赖系数。我们引入了一个准谱分解，可以提高估计的效率。估计量的渐近正态性是基于尾经验过程的弱收敛。理论结果得到了模拟研究的支持。
2015-02-25 stat.ME
Clustering Multivariate Time Series using Energy Distance
提出基于能量距离的多元时间序列非参数层次聚类方法，证明其渐近性质，并通过模拟及 GDP、人口数据实例验证有效性。
2023-03-24 stat.ME
Salient Bayesian Clustering for Proportional Data via a Multivariate Beta Mixture Model
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
针对社区SDoH比例数据聚类中无关变量干扰的问题，提出嵌入特征显著性的贝叶斯多元Beta混合模型SAMBA-Mix，提升聚类准确性并识别关键决定因素。
2026-09-16 stat.ME
An utopic adventure in the modelling of conditional univariate and multivariate extremes
HEC Montréal（HEC蒙特利尔）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文针对条件单变量和多变量极值建模中的四个挑战，提出新的交叉验证方法、验证指标及联合超出行概率公式，探讨模型验证与自定义估计策略。
2023-12-21 stat.AP stat.ME
Clustering using skewed multivariate heavy tailed distributions with flexible tail behaviour
位置和尺度混合高斯族具有产生许多灵活分布形式的能力。它嵌套的特殊情况下，几个重要的非对称分布，如广义双曲分布。广义双曲分布又嵌套了许多其他众所周知的分布，例如正态逆高斯分布（NIG），其实际相关性已在文献中广泛记录。在多变量环境中，我们建议将标准位置和尺度混合概念扩展到所谓的多尺度框架中，该框架具有允许在变量空间的每个维度中具有任意维度之间的相关性的不同尾部和偏斜行为的优点。通过期望最大化算法提供参数估计，特别关注NIG分布。推理，然后扩展到覆盖的情况下，这样的多个缩放分布的混合物应用聚类。对模拟数据和实际数据的评估证实，在模拟不同尾翼行为和方向形状的数据时，自由度和灵活性有所增加。
2014-08-01 stat.AP stat.ME
Infinite mixtures of multivariate normal-inverse Gaussian distributions for clustering of skewed data
多变量正态逆高斯（MNIG）分布的混合可以用于对表现出偏态和重尾等特征的数据进行聚类。然而，对于聚类分析，使用传统的有限混合模型框架，或者组分的数量需要是已知的$a$ - $priori$，或者需要在导出可能数量的组分的范围的结果之后使用某种模型选择标准来估计$a$ - $posteriori$。然而，不同的模型选择标准有时会导致不同数量的组件产生不确定性。在这里，一个无限混合模型框架，也被称为狄利克雷过程混合模型，提出了混合MNIG分布。该狄利克雷过程混合物模型方法允许组分数量从1到$\infty$（实际上从1到$N$）自由增长或衰减，并且组分数量与贝叶斯框架中的参数估计值一起推断，从而减轻了对模型选择标准的需求。我们提供了真实的数据应用程序与基准数据集，以及一个小的模拟实验，与其他现有的模型进行比较。所提出的方法提供了竞争力的聚类结果，其他聚类方法的模拟和真实的数据和参数恢复说明使用模拟研究。
2020-05-11 stat.ME
Bayesian inference for multivariate extreme value distributions
多元和空间极端事件的统计建模在各个科学领域引起了广泛的关注。最大稳定分布和过程是自然类的模型，为这一目的，许多参数家庭已开发和成功应用。由于似然函数的复杂性，有效的统计推断仍然是一个活跃的研究领域，通常使用的是仅基于二元密度的复合似然方法。Thibaud等人（2016，Ann. Appl. Stat.，出现）使用贝叶斯方法，以适应布朗-雷斯尼克过程的极端温度。在本文中，我们扩展了这一想法的方法，适用于一般的最大稳定分布，并使用充分的可能性。我们进一步提供了后验分布的中位数渐近正态的简单条件，并对多元和空间极值统计中常用的模型进行了验证。一个模拟研究表明，这种点估计是相当有效的比复合似然估计的频率框架。从贝叶斯的角度来看，我们的方法开辟了新的技术，如贝叶斯模型比较在多元和空间极端的方式。
2017-08-08 stat.ME
Graphical model-based clustering of categorical data
Università degli Studi di Milano-Bicocca（米兰比可卡大学）；Università Cattolica del Sacro Cuore（天主教撒克心大学）
本文提出了一种基于图形模型的分类数据聚类方法，通过狄利克雷过程混合模型捕捉变量间的依赖结构，提升聚类效果。
2026-01-21 stat.ME
Skeleton Clustering: Dimension-Free Density-based Clustering
University of Washington（华盛顿大学）
我们介绍了一种基于密度的聚类方法，称为骨架聚类，可以检测多变量，甚至高维数据的不规则形状的集群。为了绕过维数灾难，我们提出了替代密度的措施，是不太依赖于尺寸，但有直观的几何解释。作为中间步骤，聚类框架构建了给定数据的简洁表示，可以认为是原型方法，基于密度的聚类和层次聚类的组合。我们通过理论分析和实证研究表明，骨架聚类导致可靠的集群在多元和高维的场景。
2023-01-18 cs.LG stat.ME stat.ML
Subspace Clustering with the Multivariate-t Distribution
许多现代数据集需要适合于分析非常高维数据的聚类过程。在基于模型的聚类中，一种称为高维数据聚类（HDDC）的方法使用一系列高斯混合模型进行聚类。HDDC基于高维数据通常存在于低维子空间中的想法;因此，可以估计观察到的数据的每个子群体的固有维度，并且可以在该低维子空间中执行聚类分析。因此，只有一小部分的参数总数需要估计和计算效率的参数估计计划的基础上的期望最大化算法开发。这一系列的模型已经获得了关注，由于其优越的分类性能相比，其他家庭的混合模型，但是，它仍然受到通常的限制高斯混合模型为基础的方法。在本文中，提出了一个强大的模拟的HDDC方法。这种方法，它扩展了HDDC程序，包括多变量- t分布，包括28个模型，纠正了HDDC程序的上述缺点。我们的tHDDC程序适合模拟和真实的数据集，并进行比较，HDDC程序使用的图像重建问题，从火星表面的卫星图像。
2017-06-27 stat.ME
A Bayesian multivariate extreme value mixture model
School of Mathematics and Statistics, University of Glasgow（格拉斯哥大学数学与统计学院）；School of Mathematics and Statistics, University of St Andrews（圣安德鲁斯大学数学与统计学院）
本文提出一种多元极值混合模型，用于评估自然灾害的影响，结合了尾部和主体的建模方法，并通过贝叶斯推断处理阈值选择的不确定性。
2026-03-28 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
Fuzzy Jump Models for Soft and Hard Clustering of Multivariate Time Series Data
本文提出融合模糊 c 均值的模糊跳跃模型，可顺序估计状态概率并支持多元时间序列的软硬聚类，在高分配不确定性下优于对比方法，并成功用于三体共轨状态识别与金融牛熊阶段追踪。
2025-09-30 stat.ME
Clustering Multivariate Data using Factor Analytic Bayesian Mixtures with an Unknown Number of Components
最近的工作过拟合贝叶斯混合分布提供了一个强大的框架，使用潜在的高斯模型，类似于因子分析模型的聚类多变量数据。过拟合混合模型提供的灵活性产生了一个简单而有效的方法，以估计未知数量的集群和模型参数的马尔可夫链蒙特卡罗（MCMC）抽样。本研究通过考虑一组8个参数化扩展了这种方法，从而产生了每个聚类的协方差阵的简约表示。为了近似地从过拟合混合物的后验分布中采样，实现了与先前的并行回火方案相结合的Gibbs采样器。根据贝叶斯信息准则选择参数化和因子数。与标签切换相关的可识别性问题通过使用等价类代表算法对模拟输出进行后处理来处理。贡献的方法和软件进行了演示和比较，类似的模型估计使用期望最大化算法的模拟和真实的数据集。该软件可在https://CRAN.R-project.org/package=fabMix上在线获得。
2019-06-02 stat.CO stat.ME
Expansions for Quantiles and Multivariate Moments of Extremes for Distributions of Pareto Type
令$X_{nr}$为来自$α> 0$和$β> 0$的分布$F (x) = 1 - \sum_{i = 0}^\infty c_i x^{-α- i β}$的大小为$n$的随机样本的第11个最大值。本文证明了一个反演定理，并利用它导出了分位数$F^{-1} (u)$及其幂的展开式，由此给出了固定${\bf s} = (s_1, ..., s_k)$的极值$\{X_{n, n - s_i}, 1 \leq i \leq k \}/n^{1/α}$的多元矩的$(n^{-1}, n^{-β/α})$的幂展开式，其中$k \geq 1$ .例子包括柯西，学生$t$，$F$，第二极端分布和稳定的法律指数$α< 1$。
2009-03-25 stat.ME
Multivariate Extremes Over a Random Number of Observations
经典的多元极值理论关注多元随机样本中极值的建模，建议使用最大稳定分布。在这项工作中，经典理论被扩展到的情况下，聚合数据，如观察的随机数的最大值，被认为是。我们得到了一个关于聚集数据分布的吸引子的极限定理，它归结为一族新的最大稳定分布。我们还把经典的最大稳定分布的极值依赖结构和我们的新的最大稳定分布族的极值依赖结构联系起来。通过反演方法，我们得到一个半参数的复合估计的极值依赖的不可观测的数据，从一个初步估计的极值依赖的聚合数据。此外，我们发展了复合估计的大样本理论，并通过模拟研究说明其有限样本性能。
2020-03-11 stat.ME
Detecting breaks in the dependence of multivariate extreme-value distributions
在环境科学中，评估极端测量值之间的相关性在观测期间是否发生了变化往往是令人感兴趣的。这项工作的目的是提出一个统计测试，是特别敏感的这种变化。由此产生的过程还被扩展到允许在边缘分布中存在已知突变的情况下检测极值依赖性的变化。模拟进行研究的两个版本的建议测试的有限样本的行为。水文数据集的插图结束了这项工作。
2015-05-05 stat.ME
Temporal evolution of the extreme excursions of multivariate $k$th order Markov processes with application to oceanographic data
本文建立了两个多变量$k$阶马尔可夫过程极端事件时间演化的模型。我们方法的基础在于Hongnan & Tawn（2004）的条件极值模型，它自然地扩展了Winter & Tawn（2016，2017）和Tendijck等人的工作。（2019）包括多元随机变量。我们使用交叉验证类型的技术来开发一个模型的顺序选择程序，我们测试我们的模型在北海北部的一个位置的二维气象海洋学数据与方向协变量。我们的结论是，新开发的模型比广泛使用的历史匹配方法，这些数据表现更好。
2023-02-28 physics.ao-ph stat.AP stat.ME
Hidden Markov Models for Multivariate Panel Data
针对多元面板数据因缺失和流失导致聚类困难的问题，提出一族隐马尔可夫模型，并设计改进的期望最大化算法处理非随机缺失与流失以进行模型估计。
2024-08-22 stat.ME
Clustering multivariate functional data using the epigraph and hypograph indices: a case study on Madrid air quality
本文提出面向多元函数型数据的 epigraph 与 hypograph 指数广义形式，利用曲线及前两阶导数实现聚类，并通过模拟数据与马德里空气质量等环境案例验证其有效性。
2024-11-19 stat.AP stat.ME
Climate extreme event attribution using multivariate peaks-over-thresholds modeling and counterfactual theory
数值气候模式是复杂的，并结合了大量的物理过程。它们是量化潜在人为原因（例如，目前温室气体的增加）对强降雨等高影响大气变量的影响。这些所谓的气候极端事件归因问题是特别具有挑战性的多元背景下，也就是说，当大气变量测量可能是高维网格。在本文中，我们利用两个统计理论来评估因果关系的背景下，多变量极端事件归因。当我们认为一个事件是极端时，至少有一个感兴趣的向量的组件是大的，极值理论证明，在渐近意义上，一个多变量广义帕累托分布模型联合极端。根据这一类的分布，我们推导和研究概率的必要和充分的因果关系所定义的反事实理论的珍珠。为了增加因果关系的证据，我们提出了一个降维策略的基础上，最大限度地提高这种因果关系的概率的最佳线性投影。我们的方法进行了测试模拟的例子，并适用于每周冬季最大降水输出的法国CNRM从最近的CMIP6实验。
2020-05-18 stat.AP stat.ME
Generative modelling of multivariate geometric extremes using normalising flows
本文提出基于归一化流和超球面几何方法的多元极值生成建模框架，实现全方向联合尾部外推和任意风险区域快速概率估计，并在风速极值与风电相关极端事件分析中验证其有效性。
2025-05-05 stat.ME
