Functional Mixtures-of-Experts
函数型混合专家模型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：摘要主要讨论一般函数型预测与聚类，未明确属于所列经济计量细分方向。
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…
函数型混合专家模型
- 研究问题
- 当预测变量是可能带噪的整条函数、样本又存在未知分组时，如何刻画异质性与非线性关系，并获得可解释的表示？
- 方法与思路
- 作者将混合专家模型扩展到函数型数据，以隐含离散变量表示分组，对函数参数的导数施加类 Lasso 正则化并使用 EM 估计。
- 材料陈述的贡献
- 摘要提出函数型模型 FME 及稀疏可解释版本 iFME，并称模拟和两个真实数据应用显示其非线性拟合与回归聚类能力。
- 阅读关注点
- 应核对函数观测噪声的处理、隐含分组的可识别性、导数稀疏化的含义，以及 EM 初始化、正则化选择和预测验证方案。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核验；摘要未说明数据集细节、误差指标或可解释性的评判标准。
原文摘要
We consider the statistical analysis of heterogeneous data for prediction in situations where the observations include functions, typically time series. We extend the modeling with Mixtures-of-Experts (ME), as a framework of choice in modeling heterogeneity in data for prediction with vectorial observations, to this functional data analysis context. We first present a new family of ME models, named functional ME (FME) in which the predictors are potentially noisy observations, from entire functions. Furthermore, the data generating process of the predictor and the real response, is governed by a hidden discrete variable representing an unknown partition. Second, by imposing sparsity on derivatives of the underlying functional parameters via Lasso-like regularizations, we provide sparse and interpretable functional representations of the FME models called iFME. We develop dedicated expectation--maximization algorithms for Lasso-like (EM-Lasso) regularized maximum-likelihood parameter estimation strategies to fit the models. The proposed models and algorithms are studied in simulated scenarios and in applications to two real data sets, and the obtained results demonstrate their performance in accurately capturing complex nonlinear relationships and in clustering the heterogeneous regression data.