Functional Clustering and Identifying Substructures of Longitudinal Data
纵向数据的函数聚类与子结构识别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：摘要明确处理纵向轨迹及其随机效应结构，与重复观测数据相关，故归入面板数据这一相邻方向。
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
纵向数据的函数聚类与子结构识别
- 研究问题
- 如何对纵向轨迹进行函数聚类，同时利用组间均值和变异模式的差异，并识别各聚类内部的函数结构？
- 方法与思路
- 作者提出 k-centres 函数聚类，以截断 Karhunen–Loève 展开的非参数随机效应模型预测归属，迭代更新均值与协方差。
- 材料陈述的贡献
- 摘要称，在推导的可识别性条件下，该方法可改善聚类质量，并以组内均值、协方差和模拟及数据应用展示结构信息。
- 阅读关注点
- 应核对可识别性条件、展开截断与重分类规则，以及模拟和生长曲线、基因表达应用中的比较标准与适用范围。
- 阅读边界
- 仅据 Crossref 摘要；可识别性条件和改善幅度未提供，不能将作者的比较结论推广到所有纵向数据或推断版本变化。
原文摘要
Summary A functional clustering (FC) method, k-centres FC, for longitudinal data is proposed. The k-centres FC approach accounts for both the means and the modes of variation differentials between clusters by predicting cluster membership with a reclassification step. The cluster membership predictions are based on a non-parametric random-effect model of the truncated Karhunen–Loève expansion, coupled with a non-parametric iterative mean and covariance updating scheme. We show that, under the identifiability conditions derived, the k-centres FC method proposed can greatly improve cluster quality as compared with conventional clustering algorithms. Moreover, by exploring the mean and covariance functions of each cluster, thek-centres FC method provides an additional insight into cluster structures which facilitates functional cluster analysis. Practical performance of the k-centres FC method is demonstrated through simulation studies and data applications including growth curve and gene expression profile data.