Using Evidence of Mixed Populations to Select Variables for Clustering Very High-Dimensional Data
利用混合总体证据为超高维聚类选择变量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：摘要聚焦高维非参数聚类与多峰性，重尾仅作为性能情形，未构成金融尾部风险或其他所列领域的直接证据。
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…
关注这篇论文的作者
利用混合总体证据为超高维聚类选择变量
- 研究问题
- 当混合总体通过密度多峰性体现时，如何为超高维数据聚类选择相关变量，并判断基于峰态的聚类何时可靠？
- 方法与思路
- 作者提出非参数聚类方法，以隐含的峰态检验评估混合总体证据，采用超额质量方法刻画多峰性并据此确定聚类。
- 材料陈述的贡献
- 摘要称，方法在较重尾、较强相关或重要分量较少时尤其有效；轻尾、近乎独立且聚类较多时，峰态方法可能不如传统方法可靠。
- 阅读关注点
- 读全文应核对变量筛选与聚类步骤的连接、超额质量统计量的实施，以及尾部、相关性和聚类数量影响表现的具体证据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；有效性描述未附数值或条件细节，不能把密度峰的数量普遍等同于潜在类别数量。
原文摘要
In this paper we develop a nonparametric approach to clustering very high-dimensional data, designed particularly for problems where the mixture nature of a population is expressed through multimodality of its density. Therefore, a technique based implicitly on mode testing can be particularly effective. In principle, several alternative approaches could be used to assess the extent of multimodality, but in the present problem the excess mass method has important advantages. We show that the resulting methodology for determining clusters is particularly effective in cases where the data are relatively heavy tailed or show a moderate to high degree of correlation, or when the number of important components is relatively small. Conversely, in the case of light-tailed, almost-independent components when there are many clusters, clustering in terms of modality can be less reliable than more conventional approaches. This article has supplementary material online.