Correlation-Based Functional Clustering via Subspace Projection
通过子空间投影实现基于相关性的函数型聚类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：摘要研究函数型数据的形状聚类，协方差特征函数本身不足以支持宏观或金融因子模型分类。
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
通过子空间投影实现基于相关性的函数型聚类
- 研究问题
- 如何按曲线形状进行聚类，在处理随机尺度和截距差异的同时，判断簇成员归属是否能够被识别和预测？
- 方法与思路
- 作者以函数内积定义相关性，通过形状标准化和簇子空间投影分配成员，并用乘法随机效应模型处理尺度差异。
- 材料陈述的贡献
- 摘要称，作者提出随机尺度及其方差的一致估计，推导聚类可识别性条件，并用模拟和真实数据展示方法。
- 阅读关注点
- 应核对函数相关性的定义、簇子空间的估计方式、尺度与截距处理，以及可识别性条件对实际聚类的限制。
- 阅读边界
- 所据为 OpenAlex 索引摘要，稿件版本未注明；摘要未列出可识别性条件、误分类结果或对不同曲线结构的适用边界。
原文摘要
A correlation-based functional clustering method is proposed for grouping curves with similar shapes. A correlation between two random functions defined through the functional inner product is used as a similarity measure. Curves with similar shapes are embedded in the cluster subspace spanned by a mean shape function and eigenfunctions of the covariance kernel. The cluster membership prediction for each curve attempts to maximize the functional correlation between the observed and predicted curves via shape standardization and subspace projection among all possible clusters. The proposed method accounts for shape differentials through the functional multiplicative random-effects shape function model for each cluster, which regards random scales and intercept shifts as a nuisance. A consistent estimate is proposed for the random scale effect, whose sample variance estimate is also consistent. The derived identifiability conditions for the clustering procedure unravel the predictability of cluster memberships. Simulation studies and a real data example illustrate the proposed method.