Variable selection in clustering via Dirichlet process mixture models
基于狄利克雷过程混合模型的聚类变量选择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：摘要聚焦高维聚类与变量选择，DNA微阵列应用不足以归入所列经济计量细分方向。
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…
基于狄利克雷过程混合模型的聚类变量选择
- 研究问题
- 面对高维数据，如何在确定聚类结构的同时识别具有区分作用的变量，从而联合处理聚类与变量选择？
- 方法与思路
- 作者以潜在二元向量标记区分变量，用狄利克雷过程混合定义聚类，并通过Metropolis及分裂合并MCMC推断。
- 材料陈述的贡献
- 摘要提出同时进行变量选择与聚类的模型方法，并以模拟数据和DNA微阵列研究展示其使用方式。
- 阅读关注点
- 应核对混合模型与先验设定、变量选择指标的更新规则、分裂合并步骤，以及模拟和应用中的评价标准。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；模型细节、计算收敛诊断和具体表现未说明，不能判断适用规模或比较优势。
原文摘要
The increased collection of high-dimensional data in various fields has raised a strong interest in clustering algorithms and variable selection procedures. In this paper, we propose a model-based method that addresses the two problems simultaneously. We introduce a latent binary vector to identify discriminating variables and use Dirichlet process mixture models to define the cluster structure. We update the variable selection index using a Metropolis algorithm and obtain inference on the cluster structure via a split-merge Markov chain Monte Carlo technique. We explore the performance of the methodology on simulated data and illustrate an application with a DNA microarray study.