Mixture of Geodesic Factor Analyzers on Riemannian Homogeneous Spaces
黎曼齐性空间上的测地因子分析混合模型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：摘要中的因子用于流形几何与聚类，未涉及宏观共同因子或金融因子，因此不归入给定因子分类。
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…
黎曼齐性空间上的测地因子分析混合模型
- 研究问题
- 对于取值于流形且各子群具有不同方向离散程度的数据，如何建立更灵活的聚类模型，并支持参数估计与理论分析？
- 方法与思路
- 作者在混合模型的各成分内使用测地因子结构，研究最大似然估计，并提出适用于球面、形状空间和双曲空间的迭代算法。
- 材料陈述的贡献
- 摘要称建立了最大似然估计的根号样本量一致性，补充相关混合模型理论，并通过数值实验与脑部形状案例展示方法表现。
- 阅读关注点
- 应核对混合成分与因子结构的可识别性、一致性的正则条件，以及算法收敛、初始化和模型误设实验所覆盖的范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出完整理论条件及比较细节，不能据其性能陈述判断普遍优势。
原文摘要
This paper introduces Mixtures of Geodesic Factor Analyzers (MGFA) on Riemannian homogeneous spaces. MGFA uses a geodesic factor model within each mixture component, providing greater expressiveness than mixtures of Riemannian radial distributions and enabling clustering of manifold-valued data with anisotropic subpopulations. We establish root-$n$ consistency for the MGFA maximum likelihood estimator (MLE), thereby filling a theoretical gap for mixtures of Riemannian radial distributions as a special case. We also propose an iterative estimation algorithm and implement it on spheres, shape spaces, and hyperbolic spaces. Numerical experiments show that MGFA substantially outperforms competing methods in well-specified regimes while remaining robust under model misspecification. Finally, case studies on corpus callosum and left hippocampus shape datasets demonstrate MGFA's effectiveness for both 2D contour and 3D shape analysis.