Functional Clustering by Bayesian Wavelet Methods
基于贝叶斯小波方法的函数型数据聚类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：摘要讨论通用函数型数据聚类与贝叶斯小波建模，未明确涉及时间序列预测、因子或其他所列细分方向，故不作归类。
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
基于贝叶斯小波方法的函数型数据聚类
- 研究问题
- 如何对高维函数型数据聚类，同时识别全局与局部特征，并将关于函数规则性和聚类数量的先验信息纳入分析？
- 方法与思路
- 作者结合小波表示与基于 Dirichlet 过程的非参数贝叶斯模型，通过适当混合表达先验，并以共轭先验和 Gibbs 抽样推断。
- 材料陈述的贡献
- 摘要称，方法将传统贝叶斯小波分析扩展至函数聚类，可表达函数规则性与簇数先验，并用模拟和真实数据展示适用性。
- 阅读关注点
- 应核对小波表示与聚类模型的连接、Dirichlet 过程混合如何表达先验、簇数的推断，以及 Gibbs 抽样诊断与比较设定。
- 阅读边界
- 仅据所给 Crossref 摘要；未提供先验细节、抽样收敛诊断或比较数值，不能认定普遍优越性，也不能推断刊本变化。
原文摘要
Summary We propose a nonparametric Bayes wavelet model for clustering of functional data. The wavelet-based methodology is aimed at the resolution of generic global and local features during clustering and is suitable for clustering high dimensional data. Based on the Dirichlet process, the nonparametric Bayes model extends the scope of traditional Bayes wavelet methods to functional clustering and allows the elicitation of prior belief about the regularity of the functions and the number of clusters by suitably mixing the Dirichlet processes. Posterior inference is carried out by Gibbs sampling with conjugate priors, which makes the computation straightforward. We use simulated as well as real data sets to illustrate the suitability of the approach over other alternatives.