Functional-SVD for Heterogeneous Trajectories: Case Studies in Health
异质轨迹的函数奇异值分解：健康领域案例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：摘要涉及通用健康轨迹学习，虽包含因子建模，但不足以明确归入所列宏观或金融因子方向。
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
异质轨迹的函数奇异值分解：健康领域案例
- 研究问题
- 不同患者、地点或子群的轨迹存在异质性，且观测含噪、不规则时，如何统一开展降维、回归、聚类及缺失数据补全？
- 方法与思路
- 作者提出函数奇异值分解框架，建立理论并开发适应噪声和不规则观测的估计算法，再将其用于多种轨迹学习任务。
- 材料陈述的贡献
- 摘要称，FSVD 可保留轨迹异质性和内在平滑性，在多项模拟任务中优于既有方法，并用于疫情计数及电子健康记录的模式发现。
- 阅读关注点
- 应核对异质性在分解中的表达、平滑性和采样条件、因子建模的具体含义，以及不同任务中的比较基准与调参方式。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未列出理论条件、比较幅度和算法细节，不能据此认定其在所有轨迹任务中占优。
原文摘要
Trajectory data, including time series and longitudinal measurements, are increasingly common in health-related domains such as biomedical research and epidemiology. Real-world trajectory data frequently exhibit heterogeneity across subjects such as patients, sites, and subpopulations, yet many traditional methods are not designed to accommodate such heterogeneity in data analysis. To address this, we propose a unified framework, termed Functional Singular Value Decomposition (FSVD), for statistical learning with heterogeneous trajectories. We establish the theoretical foundations of FSVD and develop a corresponding estimation algorithm that accommodates noisy and irregular observations. We further adapt FSVD to a wide range of trajectory-learning tasks, including dimension reduction, factor modeling, regression, clustering, and data completion, while preserving its ability to account for heterogeneity, leverage inherent smoothness, and handle irregular sampling. Through extensive simulations, we demonstrate that FSVD-based methods consistently outperform existing approaches across these tasks. Finally, we apply FSVD to a COVID-19 case-count dataset and electronic health record datasets, showcasing its effective performance in global and subgroup pattern discovery and factor analysis.