Spherical clustering in detection of groups of concomitant extremes
用于识别共同极端事件群组的球面聚类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：摘要属于通用高维极值聚类，未明确金融尾部或系统性风险场景，因此不据极端值一词归入金融风险。
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
用于识别共同极端事件群组的球面聚类
- 研究问题
- 高维数据中如何识别共同出现极端值的变量群组，球面 k 均值有哪些局限，替代聚类准则能否改善群组识别？
- 方法与思路
- 作者分析球面 k 均值的理论依据与问题，提出替代成本函数及球面 k 主成分聚类算法，并建立成功识别的充分条件。
- 材料陈述的贡献
- 摘要称，研究提供球面聚类的理论支持与局限分析；在较基础设置下给出新方法保证，并在弱渐近依赖模拟中展示改善。
- 阅读关注点
- 应核对极端值的方向表示、群组和弱渐近依赖的定义、成本函数差异，以及成功识别条件与基础设置的限制。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明完整充分条件或金融应用，不能将基础设置和特定模拟中的优势推广到所有极端数据。
原文摘要
Summary There is growing empirical evidence that spherical $k$-means clustering performs well at identifying groups of concomitant extremes in high dimensions, thereby leading to sparse models. We provide one of the first theoretical results supporting this approach, but also demonstrate some pitfalls. Furthermore, we show that an alternative cost function may be more appropriate for identifying concomitant extremes, and it results in a novel spherical $k$-principal-components clustering algorithm. Our main result establishes a broadly satisfied sufficient condition guaranteeing the success of this method, albeit in a rather basic setting. Finally, we illustrate in simulations that $k$-principal components clustering outperforms $k$-means clustering in the difficult case of weak asymptotic dependence within the groups.