Bayesian temporal biclustering with applications to multi-subject neuroscience studies
贝叶斯时间双聚类及其在多受试者神经科学研究中的应用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：摘要明确对多变量时间序列建模，并估计时变测量划分的变点数量与位置。
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
贝叶斯时间双聚类及其在多受试者神经科学研究中的应用
- 研究问题
- 对于多个受试者的多变量时间序列，如何同时识别趋势相似的受试者群体，以及随时间变化的关联测量群组和群组划分变点？
- 方法与思路
- 作者构建嵌套划分的贝叶斯时间双聚类模型，以固定的受试者划分诱导时变测量划分，并推导测量聚类序列的分块更新以开展 MCMC 推断。
- 材料陈述的贡献
- 摘要称，模型可由数据确定受试者和测量簇数，并估计测量划分的变点；神经影像应用与模拟展示了动态模式识别及真实簇恢复表现。
- 阅读关注点
- 应核对嵌套划分的先验、受试者固定分组的合理性、簇数与变点的不确定性，以及分块更新的混合表现和模拟中的比较设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明先验敏感性、计算扩展性或变点识别条件，所报表现不能推广至任意依赖结构。
原文摘要
We consider the problem of analyzing multivariate time series collected on multiple subjects, with the goal of identifying groups of subjects exhibiting similar trends in their recorded measurements over time as well as time-varying groups of associated measurements. To this end, we propose a Bayesian model for temporal biclustering featuring nested partitions, where a time-invariant partition of subjects induces a time-varying partition of measurements. Our approach allows for data-driven determination of the number of subject and measurement clusters as well as estimation of the number and location of changepoints in measurement partitions. To efficiently perform model fitting and posterior estimation with Markov Chain Monte Carlo, we derive a blocked update of measurements' cluster-assignment sequences. We illustrate the performance of our model in two applications to functional magnetic resonance imaging data and to an electroencephalogram dataset. The results indicate that the proposed model can combine information from potentially many subjects to discover a set of interpretable, dynamic patterns. Experiments on simulated data compare the estimation performance of the proposed model against ground-truth values and other statistical methods, showing that it performs well at identifying ground-truth subject and measurement clusters even when no subject or time dependence is present.