Regression Modeling for Size-and-Shape Data Based on a Gaussian Model for Landmarks
基于标志点高斯模型的大小与形状数据回归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：摘要研究几何对象的回归建模，未明确涉及离散选择、结构估计或其他所列领域。
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…
基于标志点高斯模型的大小与形状数据回归
- 研究问题
- 当响应对象以带标签的标志点表示，并需要同时分析大小和形状时，如何建立回归结构并处理对象方向带来的估计困难？
- 方法与思路
- 作者假设标志点服从高斯模型，通过其均值引入环境空间中的线性回归，分别采用形状边际似然和将方向视为缺失数据的 EM 方法。
- 材料陈述的贡献
- 摘要称，论文提出大小与形状响应的回归框架，讨论两种参数估计途径及其计算难点，并通过真实数据实例展示用途。
- 阅读关注点
- 应核对大小、形状与方向的定义及参数可识别性，两种似然处理的关系，以及 EM 实现、计算稳定性和高斯假设的作用。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明估计误差、收敛保证或具体数据结果，不能推断两种估计途径具有相同表现。
原文摘要
In this article, we propose a regression model for size-and-shape response data. So far as we are aware, few such models have been explored in the literature to date. We assume a Gaussian model for labeled landmarks; these landmarks are used to represent the random objects under study. The regression structure, assumed in this article to be linear in the ambient space, enters through the landmark means. Two approaches to parameter estimation are considered. The first approach is based directly on the marginal likelihood for the landmark-based shapes. In the second approach, we treat the orientations of the landmarks as missing data, and we set up a model-consistent estimation procedure for the parameters using the EM algorithm. Both approaches raise challenging computational issues which we explain how to deal with. The usefulness of this regression modeling framework is demonstrated through real-data examples. Supplementary materials for this article are available online.