Consistency of Optimal Matching-based Clustering for Mixtures of Markov Chains
马尔可夫链混合模型中最优匹配聚类的一致性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：摘要明确研究类别时间序列、马尔可夫动态与序列聚类的一致性，文本依据对应时间序列标签，但未限定宏观经济应用。
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
马尔可夫链混合模型中最优匹配聚类的一致性
- 研究问题
- 对有限状态马尔可夫链混合产生的类别序列，基于最优匹配距离的常用聚类何时能恢复潜在分组，并一致估计组数？
- 方法与思路
- 作者研究归一化最优匹配距离的极限、集中性及收敛速度，以组内与组间极限分离建立聚类一致性，并利用距离剖面估计组数。
- 材料陈述的贡献
- 摘要称，在指定分离条件下，相关层次聚类与围绕中心对象的划分法可一致恢复混合分组，结果还扩展到隐马尔可夫与多通道观测。
- 阅读关注点
- 应核对链的正则条件、距离代价和分离条件，以及序列长度与序列数量如何增长；相同转移核下的速率不能直接推广到其他情形。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未详列渐近框架，理论依赖组内外距离分离，不能保证任意类别序列都可恢复分组。
原文摘要
We study clustering of categorical sequences using the Optimal Matching (OM) distance under finite mixtures of finite-state Markov chains. We show that the normalized OM distance between two independent chains converges almost surely to a deterministic population quantity, concentrates exponentially around its finite-horizon mean, and admits an $O(\sqrt{\log n/n})$ convergence rate when the two chains have the same transition kernel. These population quantities yield a natural separation condition: the largest within-component limit must be smaller than the smallest between-component limit. Under this condition, hierarchical clustering with any bracketed linkage and Partitioning Around Medoids consistently recover the latent mixture partition. We also propose a consistent estimator of the number of components based on empirical OM distance profiles. The results extend to finite-state hidden Markov models and multichannel categorical observations. Overall, they provide a statistical justification for standard OM-based clustering methods for categorical time series.