Fitting Sparse Markov Models to Categorical Time Series Using Convex Clustering
利用凸聚类拟合分类时间序列的稀疏马尔可夫模型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：摘要明确研究分类时间序列、高阶马尔可夫依赖与转移概率建模。
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…
利用凸聚类拟合分类时间序列的稀疏马尔可夫模型
- 研究问题
- 高阶分类马尔可夫模型的参数数量随阶数指数增长，如何将具有相同转移概率的历史合并，以实现更简约的建模与模型选择？
- 方法与思路
- 作者利用凸聚类与正则化拟合稀疏马尔可夫模型，将历史按转移概率向量分组，并通过 BIC 选择正则化参数。
- 材料陈述的贡献
- 摘要称方法具有大样本模型选择一致性，并通过多种模拟考察有限样本表现，以疾病亚型建模和分类的真实数据分析展示适用性。
- 阅读关注点
- 应核对历史分组的可识别条件、聚类惩罚与权重、BIC 的定义，以及一致性对模型阶数、转移概率差异和样本依赖的要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出一致性条件或数值结果，疾病应用也不足以判断宏观序列中的适用效果。
原文摘要
Higher-order Markov chains are frequently used to model categorical time series. However, a major problem with fitting such models is the exponentially growing number of parameters in the model order. A popular approach to parsimonious modeling is to use a Variable Length Markov Chain (VLMC), which determines relevant contexts (recent pasts) of variable orders and forms a context tree. A more general parsimonious modeling approach is given by Sparse Markov Models (SMMs), where all possible histories of order $m$ are partitioned such that the transition probability vectors are identical for the histories belonging to any particular group. In this paper, we develop an elegant method of fitting SMMs based on convex clustering and regularization. The regularization parameter is selected using the BIC criterion. Theoretical results establish model selection consistency of our method for large sample size. Extensive simulation results under different set-ups are presented to study finite sample performance of the method. Real data analysis on modelling and classifying disease sub-types demonstrates the applicability of our method as well.