Clustering risk in nonparametric hidden Markov and I.I.D. models
非参数隐马尔可夫与独立同分布模型中的聚类风险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：摘要聚焦通用聚类与分类风险理论，虽涉及隐马尔可夫模型，但未明确以所列计量方向为研究目标。
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…
非参数隐马尔可夫与独立同分布模型中的聚类风险
- 研究问题
- 在隐马尔可夫和独立同分布模型中，聚类的贝叶斯风险何时接近分类风险，贝叶斯分类器能否用于近最优聚类？
- 方法与思路
- 作者比较聚类与分类的贝叶斯风险及最优规则，利用隐马尔可夫模型的可识别性推导代入分类器的超额聚类风险界。
- 材料陈述的贡献
- 摘要称，贝叶斯分类器并非总与最优聚类器一致，但聚类表现近于最优，并给出共同难度量、风险界和模拟说明。
- 阅读关注点
- 应核对聚类损失与标签匹配的定义、风险可比较的条件、近最优的定量含义，以及可识别性用于风险界的方式。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；摘要未列出风险界及适用条件，不能把近最优结论推广到任意分类或聚类程序。
原文摘要
We conduct an in-depth analysis of the Bayes risk of clustering in the context of hidden Markov and i.i.d. models. In both settings, we identify the situations where this risk is comparable to the Bayes risk of classification and those where its minimizer, the Bayes clusterer, can be derived from the Bayes classifier. While we demonstrate that clustering based on the Bayes classifier does not always match the optimal Bayes clusterer, we show that this difference is primarily theoretical and that the Bayes classifier remains nearly optimal for clustering. A key quantity emerges, capturing the fundamental difficulty of both classification and clustering tasks. Furthermore, by leveraging the identifiability of HMMs, we establish bounds on the clustering excess risk of a plug-in Bayes classifier in the general nonparametric setting, offering theoretical justification for its widespread use in practice. Simulations further illustrate our findings.