Analyzing Functional Data with a Mixture of Covariance Structures Using a Curve-Based Sampling Scheme
基于曲线抽样方案的协方差结构混合函数数据分析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：摘要聚焦函数型数据的贝叶斯建模与连续时间隐马尔可夫抽样方法，属于统计方法学方向，未直接对应所列微观、宏观或金融计量细分领域。
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
基于曲线抽样方案的协方差结构混合函数数据分析
- 研究问题
- 摘要称，本文关注如何分析协方差结构存在混合的函数型数据，尤其是不同数据子集间协方差模式异质所带来的复杂性；动机来自真实自由生活步态数据中不同的行走模式。
- 方法与思路
- 作者提出一个统一的贝叶斯框架，将非线性回归函数与连续时间隐马尔可夫模型结合，用于识别和利用不同的协方差结构；并开发基于曲线的抽样方案来估计隐状态，以应对高维、条件相依数据的抽样复杂性。
- 材料陈述的贡献
- 摘要明确陈述的贡献包括：提出面向协方差结构混合的函数数据曲线抽样方案；构建整合非线性回归与连续时间隐马尔可夫模型的贝叶斯框架；给出贝叶斯推断过程并考察渐近性质以保证模型结构一致性；通过模拟和真实数据示例展示效果。
- 阅读关注点
- 阅读全文时应核对：连续时间隐马尔可夫模型的具体设定与识别条件；曲线抽样方案相对既有抽样方法的计算细节与适用条件；渐近性质所依赖的正则假设；模拟设计与真实步态数据的来源、预处理及评估指标。
- 阅读边界
- 仅凭摘要无法判断模型识别是否成立、渐近结果的具体条件、抽样方案的实际计算优势幅度，也无法核实模拟与实证结论的稳健性；摘要未说明数据规模、对比方法与量化结果。该文为 arXiv 预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
Motivated by distinct walking patterns in real-world free-living gait data, this paper proposes an innovative curve-based sampling scheme for the analysis of functional data characterized by a mixture of covariance structures. Traditional approaches often fail to adequately capture inherent complexities arising from heterogeneous covariance patterns across distinct subsets of the data. We introduce a unified Bayesian framework that integrates a nonlinear regression function with a continuous-time hidden Markov model, enabling the identification and utilization of varying covariance structures. One of the key contributions is the development of a computationally efficient curve-based sampling scheme for hidden state estimation, addressing the sampling complexities associated with high-dimensional, conditionally dependent data. This paper details the Bayesian inference procedure, examines the asymptotic properties to ensure the structural consistency of the model, and demonstrates its effectiveness through simulated and real-world examples.