A Sparse Factor Model for Clustering High-Dimensional Longitudinal Data
用于高维纵向数据聚类的稀疏因子模型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：摘要明确处理纵向重复观测及随机效应结构，与面板数据方向直接相关。
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
用于高维纵向数据聚类的稀疏因子模型
- 研究问题
- 面对高维、异质且包含连续、离散和类别变量的纵向数据，如何进行聚类，并在模型中同时处理潜在结构与未知簇数？
- 方法与思路
- 作者建立贝叶斯非参数混合模型，对随机效应的联合分布使用稀疏因子结构，在潜在因子层面聚类，以 Dirichlet 过程先验估计簇数。
- 材料陈述的贡献
- 摘要提出适用于混合类型高维纵向特征的聚类模型，开发 Gibbs 抽样算法，并以真实与模拟数据说明其分析用途。
- 阅读关注点
- 应核对纵向观测与随机效应的模型关系、因子稀疏性和聚类先验的作用，以及后验抽样收敛、簇数稳定性和结果解释。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明具体数据、先验敏感性或聚类性能数值，不能判断普遍优越性。
原文摘要
Recent advances in engineering technologies have enabled the collection of a large number of longitudinal features. This wealth of information presents unique opportunities for researchers to investigate the complex nature of diseases and uncover underlying disease mechanisms. However, analyzing such kind of data can be difficult due to its high dimensionality, heterogeneity and computational challenges. In this paper, we propose a Bayesian nonparametric mixture model for clustering high-dimensional mixed-type (e.g., continuous, discrete and categorical) longitudinal features. We employ a sparse factor model on the joint distribution of random effects and the key idea is to induce clustering at the latent factor level instead of the original data to escape the curse of dimensionality. The number of clusters is estimated through a Dirichlet process prior. An efficient Gibbs sampler is developed to estimate the posterior distribution of the model parameters. Analysis of real and simulated data is presented and discussed. Our study demonstrates that the proposed model serves as a useful analytical tool for clustering high-dimensional longitudinal data.