Bayesian clustering of high-dimensional data via latent repulsive mixtures
基于潜在排斥混合模型的高维数据贝叶斯聚类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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要中的因子模型用于通用降维与聚类，未提供宏观或金融因子研究的直接依据。
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…
基于潜在排斥混合模型的高维数据贝叶斯聚类
- 研究问题
- 高维数据的模型聚类如何同时实现降维，并在模型误设时避免潜在混合成分缺乏区分、导致聚类表现恶化的问题？
- 方法与思路
- 作者用高斯潜在因子模型连接观测与潜在得分，在得分混合模型的成分均值上设置排斥先验，并构造各向异性行列式点过程。
- 材料陈述的贡献
- 摘要称，该先验在若干误设模拟中比标准潜在混合模型更稳健，并提供适于后验推断的点过程构造及植物物种共现数据示例。
- 阅读关注点
- 应核对各向异性先验如何刻画簇间分离、点过程密度的可计算性，以及聚类结果对误设类型、先验强度和潜在维度的敏感性。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未给出误设范围、推断算法细节或数值结果，不能认定其普遍更稳健。
原文摘要
Model-based clustering of moderate or large dimensional data is notoriously difficult. We propose a model for simultaneous dimensionality reduction and clustering by assuming a mixture model for a set of latent scores, which are then linked to the observations via a Gaussian latent factor model. This approach was recently investigated by Chandra et al. (2023). The authors use a factor-analytic representation and assume a mixture model for the latent factors. However, performance can deteriorate in the presence of model misspecification. Assuming a repulsive point process prior for the component-specific means of the mixture for the latent scores is shown to yield a more robust model that outperforms the standard mixture model for the latent factors in several simulated scenarios. The repulsive point process must be anisotropic to favor well-separated clusters of data, and its density should be tractable for efficient posterior inference. We address these issues by proposing a general construction for anisotropic determinantal point processes. We illustrate our model in simulations as well as a plant species co-occurrence dataset.