A Hybrid Mixture of $t$-Factor Analyzers for Clustering High-dimensional Data
用于高维数据聚类的混合式t因子分析器混合模型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：摘要研究通用高维聚类并应用于天文数据，因子结构不足以支持宏观或金融因子分类。
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
用于高维数据聚类的混合式t因子分析器混合模型
- 研究问题
- 如何缓解高维t因子分析器混合模型中协方差特征分解和EM迭代的计算负担，同时保持聚类准确性及异常值耐受性？
- 方法与思路
- 作者将剖面似然方法嵌入EM框架，估计结合多元t分布与因子结构的混合模型，并用模拟和伽马射线暴数据展示应用。
- 材料陈述的贡献
- 摘要称该计算方案在模拟中提高计算效率，同时保持聚类准确性和异常值耐受性；应用进一步刻画伽马射线暴的异质子群。
- 阅读关注点
- 应核对剖面化消除了哪些计算步骤、迭代收敛与初始化处理，以及效率比较是否控制模型维度、终止标准和聚类评价指标。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未提供复杂度、运行时间或精度数值，优势的规模与范围尚不明确。
原文摘要
This paper develops a novel hybrid approach for estimating the mixture model of $t$-factor analyzers (MtFA) that employs multivariate $t$-distribution and factor model to cluster and characterize grouped data. The traditional estimation method for MtFA faces computational challenges, particularly in high-dimensional settings, where the eigendecomposition of large covariance matrices and the iterative nature of Expectation-Maximization (EM) algorithms lead to scalability issues. We propose a computational scheme that integrates a profile likelihood method into the EM framework to efficiently obtain the model parameter estimates. The effectiveness of our approach is demonstrated through simulations showcasing its superior computational efficiency compared to the existing method, while preserving clustering accuracy and resilience against outliers. Our method is applied to cluster the Gamma-ray bursts, reinforcing several claims in the literature that Gamma-ray bursts have heterogeneous subpopulations and providing characterizations of the estimated groups.