Bayesian Multi-Group Functional Factor Models with Parameter-Expanded Cumulative Shrinkage Priors
采用参数扩展累积收缩先验的贝叶斯多组函数型因子模型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：摘要研究一般函数型数据因子模型并应用于脑电，未提供宏观或金融因子领域的依据。
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…
采用参数扩展累积收缩先验的贝叶斯多组函数型因子模型
- 研究问题
- 对于不同受试者组的函数型曲线，如何同时分离组均值、共同与组特有潜在结构，并自动选择两类结构的活跃因子数？
- 方法与思路
- 作者使用共同 B 样条基表示函数成分，建立多组低秩因子模型，并对载荷施加参数扩展累积收缩先验以选择活跃因子。
- 材料陈述的贡献
- 摘要称，模拟中模型能恢复潜在因子数并区分共同与组特有变异；脑电应用识别出共享曲线成分及组别特有神经活动模式。
- 阅读关注点
- 应核对共同与组特有因子的可识别性、基函数和先验选择，以及活跃因子判定、后验计算与模拟恢复效果的评估标准。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或接收。摘要未说明完整识别条件和数值结果，脑电中的潜在模式亦不直接构成因果解释。
原文摘要
Functional data consist of trajectories observed over a continuous domain, such as time, space, or wavelength. Here we consider curves observed on different groups of subjects and propose a Bayesian multi-group functional factor analysis framework that jointly models the data via an explicit decomposition into group-specific mean functions and latent components that capture both common and distinct latent structures across the groups. We represent these functional components as linear combinations of a common set of B-spline bases, achieving a low-rank representation of the latent factors. We further impose a parameter-expanded cumulative shrinkage process prior on the factor loadings, which induces increasing shrinkage and automatically selects the number of active shared and group-specific factors. We evaluate the model's performance through simulation studies and show that the model accurately recovers the number of underlying factors and effectively distinguishes variations in functional observations driven by shared versus group-specific complex structures under various scenarios. For real data analysis, we apply the model to EEG data on alcoholic and healthy subjects and identify shared latent factors, that capture canonical characteristic components of the EEG curves, along with group-specific factors that reveal specific neural activity patterns.