A robust method for cluster analysis
一种稳健的聚类分析方法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：摘要研究一般稳健聚类与离群点识别，未明确涉及经济网络或其他所列计量细分方向。
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
一种稳健的聚类分析方法
- 研究问题
- 当多维观测来自具有共同协方差矩阵的多个正态总体且受到污染时，如何同时识别离群点并对其余观测进行聚类？
- 方法与思路
- 作者在含离群点的统计模型中求各总体参数的最大似然估计，结合最小协方差行列式剔除法与合并行列式聚类准则。
- 材料陈述的贡献
- 摘要称该估计量统一了离群点剔除与聚类，并提出高效的近似算法，研究均值估计与合并离差积矩阵的崩溃点。
- 阅读关注点
- 应核对污染模型、保留观测数及聚类数的设定，查看近似算法与全局解的关系，以及不同参数崩溃点的定义和条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；算法细节和崩溃点数值未说明，共同协方差的正态设定不能直接推广到任意聚类。
原文摘要
Let there be given a contaminated list of n ℝd-valued observations coming from g different, normally distributed populations with a common covariance matrix. We compute the ML-estimator with respect to a certain statistical model with n−r outliers for the parameters of the g populations; it detects outliers and simultaneously partitions their complement into g clusters. It turns out that the estimator unites both the minimum-covariance-determinant rejection method and the well-known pooled determinant criterion of cluster analysis. We also propose an efficient algorithm for approximating this estimator and study its breakdown points for mean values and pooled SSP matrix.