Bayesian Hierarchical Curve Registration
贝叶斯层级曲线配准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：摘要研究函数曲线配准，所述生物调控网络应用不足以支持经济网络与干扰或宏观时间序列分类。
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
贝叶斯层级曲线配准
- 研究问题
- 多条函数型曲线具有共同形状但振幅与相位不同，如何通过曲线配准区分这些变化，并在曲线之间共享信息估计模型参数？
- 方法与思路
- 作者提出贝叶斯层级配准模型，讨论用惩罚 B 样条表示形状与时间变换函数，以及允许曲线时间错位的扩展。
- 材料陈述的贡献
- 摘要称模型正式刻画振幅和相位变化并跨曲线借用信息，展示模拟与两组数据应用，其中包括时间序列微阵列的调控网络分析。
- 阅读关注点
- 应核对振幅与相位分离的约束、时间变换函数的限制、层级先验及配准不确定性，并检查调控网络应用的推断对象。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；识别条件、后验计算与应用结论未说明，生物调控网络不等同于经济网络或干扰识别。
原文摘要
Functional data often exhibit a common shape, but with variations in amplitude and phase across curves. The analysis often proceeds by synchronization of the data through curve registration. In this article we propose a Bayesian hierarchical model for curve registration. Our hierarchical model provides a formal account of amplitude and phase variability while borrowing strength from the data across curves in the estimation of the model parameters. We discuss extensions of the model by using penalized B-splines in the representation of the shape and time-transformation functions, and by allowing temporal misalignment of the curves. We discuss applications of our model to simulated data, as well as to two data sets. In particular, we use our model in a nonstandard analysis aimed at investigating regulatory network in time course microarray data.