Bayesian clustering of high-dimensional data via latent repulsive mixtures
通过潜在排斥混合模型进行高维数据的贝叶斯聚类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。
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：摘要研究通用高维聚类和潜在因子降维，植物共现应用不足以支持经济网络、宏观因子或金融因子分类。
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…
关注这篇论文的作者
通过潜在排斥混合模型进行高维数据的贝叶斯聚类
- 研究问题
- 中高维数据的模型聚类中，如何同时降维与识别簇，并减轻潜在因子混合模型在模型误设下出现的性能恶化？
- 方法与思路
- 作者通过高斯潜在因子模型连接潜在得分与观测，对混合成分均值施加排斥先验，并构造各向异性行列式点过程。
- 材料陈述的贡献
- 摘要称各向异性排斥先验有利于形成分离簇，在若干误设模拟中优于标准潜在因子混合模型，并展示植物共现数据应用。
- 阅读关注点
- 应核对排斥过程的各向异性设计、密度可计算性、后验推断步骤，以及误设模拟、聚类评价和簇分离的具体标准。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断一般误设下的鲁棒保证；优势限于所述模拟，潜在因子也不直接对应经济因子，刊本变化未提供。
原文摘要
Summary 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 used a factor-analytic representation and assumed 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 favour 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.