Multivariate Functional Linear Discriminant Analysis for the Classification of Short Time Series with Missing Data
用于缺失数据短时间序列分类的多变量函数线性判别分析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：摘要主要研究函数数据分类与缺失值处理，未充分涉及所列计量细分方向的核心问题。
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…
用于缺失数据短时间序列分类的多变量函数线性判别分析
- 研究问题
- 如何把函数线性判别分析扩展到多变量、不完整的短时间序列，在考虑特征之间统计依赖的同时，保持计算可行性和分类可解释性？
- 方法与思路
- 作者开发多变量函数线性判别模型 MUDRA，以期望／条件最大化算法估计参数，并在单词识别数据上评估预测表现和缺失数据处理能力。
- 材料陈述的贡献
- 摘要称，MUDRA 可对大量缺失的数据进行可解释分类，并在所述单词识别数据上改善现有方法的表现，尤其在存在缺失值时。
- 阅读关注点
- 应核对函数表示和特征依赖的建模方式、缺失机制假设、算法计算成本，以及缺失比例变化下的比较方法和分类解释是否稳定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实。摘要未说明缺失机制、改进幅度或跨数据集表现，医疗和心理应用仍属潜在用途。
原文摘要
Functional linear discriminant analysis (FLDA) is a powerful tool that extends LDA-mediated multiclass classification and dimension reduction to univariate time-series functions. However, in the age of large multivariate and incomplete data, statistical dependencies between features must be estimated in a computationally tractable way, while also dealing with missing data. There is a need for a computationally tractable approach that considers the statistical dependencies between features and can handle missing values. We here develop a multivariate version of FLDA (MUDRA) to tackle this issue and describe an efficient expectation/conditional-maximization (ECM) algorithm to infer its parameters. We assess its predictive power on the "Articulary Word Recognition" data set and show its improvement over the state-of-the-art, especially in the case of missing data. MUDRA allows interpretable classification of data sets with large proportions of missing data, which will be particularly useful for medical or psychological data sets.