Covariate-guided Bayesian mixture model for multivariate time series
协变量引导的多元时间序列贝叶斯混合模型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：摘要直接研究多元时间序列的混合建模；其脑成像应用不提供宏观面板或离散选择研究的依据。
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…
协变量引导的多元时间序列贝叶斯混合模型
- 研究问题
- 面对来源和受试者间异质的多元脑成像时间序列，如何识别群组模式，并将时间不变协变量与混合成分联系起来？
- 方法与思路
- 作者以平滑样条构建贝叶斯混合模型，用专家混合模型的 Logit 权重纳入协变量，通过 Gibbs 抽样估计并以偏差信息准则选成分数。
- 材料陈述的贡献
- 摘要称模型支持多元时间序列的群组分析；模拟用于方法比较，婴儿近红外脑成像应用揭示不同活动模式及其协变量关联。
- 阅读关注点
- 应核对每条序列的成分混合结构、样条与先验设定、成分数选择和抽样诊断，以及群组模式与协变量关联的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明模型可识别性、比较数值或收敛诊断，协变量关联不构成因果证据。
原文摘要
With rapid development of techniques to measure brain activity and structure, statistical methods for analyzing modern brain-imaging play an important role in the advancement of science. Imaging data that measure brain function are usually multivariate time series and are heterogeneous across both imaging sources and subjects, which lead to various statistical and computational challenges. In this paper, we propose a group-based method to cluster a collection of multivariate time series via a Bayesian mixture of smoothing splines. Our method assumes each multivariate time series is a mixture of multiple components with different mixing weights. Time-independent covariates are assumed to be associated with the mixture components and are incorporated via logistic weights of a mixture-of-experts model. We formulate this approach under a fully Bayesian framework using Gibbs sampling where the number of components is selected based on a deviance information criterion. The proposed method is compared to existing methods via simulation studies and is applied to a study on functional near-infrared spectroscopy (fNIRS), which aims to understand infant emotional reactivity and recovery from stress. The results reveal distinct patterns of brain activity, as well as associations between these patterns and selected covariates.