Clustering Objects Generated by Linear Regression Models
对线性回归模型生成的对象进行聚类AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究线性模型对象的聚类，未给出时间变化或因子模型结构，不能据低秩中心强行分类。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
对线性回归模型生成的对象进行聚类
- 研究问题
- 当对象由处于不同状态的线性系统生成时，如何将对象分组，使每个簇对应同一种系统状态？
- 方法与思路
- 作者将聚类写成组合优化问题，以预定秩的矩阵作为簇中心，通过奇异值分解计算中心，并提出两种迭代启发式算法。
- 材料陈述的贡献
- 摘要称两种算法均保证目标函数下降，并用模拟例子展示方法的有效性，提供以低秩矩阵为中心的聚类方案。
- 阅读关注点
- 应核对对象与线性状态的关系、矩阵秩的选择和目标函数定义，并区分单调下降、算法收敛与正确恢复状态的保证。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化。目标下降不等于全局最优，摘要未说明状态恢复的理论条件。
原文摘要
This article describes a new clustering method designed for objects generated by a linear model with different states. The objective is to divide the objects into clusters, with each cluster containing only the objects taken when the system is in one particular state. The cluster centroids are matrices of predetermined rank and can be computed by the singular value decomposition (SVD) algorithm. The clustering problem is formulated as a combinatorial optimization problem. Two heuristic iterative algorithms that ensure the decrease of the objective function are then proposed. The simulation examples are given to show the effectiveness of the methodology.