Functional-SVD for Heterogeneous Trajectories: Case Studies in Health
异质轨迹的函数型奇异值分解：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。
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：摘要聚焦健康轨迹的通用函数型学习，未明确对应所列宏观或金融因子模型等细分方向。
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
异质轨迹的函数型奇异值分解：健康领域案例
- 研究问题
- 当健康轨迹在患者、地点或亚群之间存在异质性，且观测有噪声、不规则时，如何统一完成降维、回归、聚类和数据补全？
- 方法与思路
- 作者提出函数型奇异值分解框架，建立理论基础和适应噪声及不规则观测的估计算法，并将其扩展到多类轨迹学习任务。
- 材料陈述的贡献
- 摘要称，方法利用平滑性并处理异质性和不规则采样；模拟显示多任务表现改善，健康数据应用展示整体与亚群模式发现。
- 阅读关注点
- 应核对异质性如何进入分解、函数空间与平滑性设定，以及不规则观测机制、各任务理论保证和比较方法的调参公平性。
- 阅读边界
- 仅据所给 OpenAlex 摘要；未说明理论条件和性能幅度，健康轨迹中的因子分析不能直接推出经济因子模型的适用结论。
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.