Selective inference after convex clustering with $\ell_1$ penalization
ℓ1 惩罚凸聚类的选择性推断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：摘要主题为聚类后的选择性推断与 polyhedral 条件方法，属于统计推断方法学，与所列微观、宏观、金融各领域细分无直接文本对应，故不选择。
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…
ℓ1 惩罚凸聚类的选择性推断
- 研究问题
- 摘要称，经典推断方法在数据驱动的假设或推断目标下会失效，本文研究在 ℓ1 惩罚凸聚类之后如何进行具有统计保证的选择性推断，典型场景是检验两个聚类之间的均值差异。
- 方法与思路
- 作者提出借助回归中基于高斯向量在 polyhedral 集上取条件的选择性推断工具来处理该问题；摘要称在一维情形下证明了给定聚类结果可由 polyhedral 刻画，并据此给出检验程序与计算高效的 regularization path 算法，随后把检验与保证推广到 ℓ1 惩罚的多维聚类以及由一维聚类聚合而成的更一般多维聚类。
- 材料陈述的贡献
- 摘要明确陈述的贡献包括：一维情形下获得聚类的 polyhedral 刻画，由此得到带统计保证的检验程序与高效正则化路径算法，并将检验与保证扩展到多维及聚合式多维聚类；摘要还称通过数值实验验证了统计保证并展示了检测聚类间均值差异的功效，方法实现于 R 包 poclin。
- 阅读关注点
- 应核对 polyhedral 刻画所需的条件与识别假设、检验的原假设与 p 值构造方式、统计保证的具体形式（如第一类错误控制或覆盖性）、正则化路径算法的复杂度与正确性依据，以及数值实验中功效与名义水平的对比设置；摘要未说明这些细节。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明正确性、有限样本表现与算法实际效率，也无法核实数值实验的具体设计与结论；摘要未说明聚类数选择、调参方式及与既有方法的比较。该文为 arXiv 预印本（v2），不能据此声称已经同行评审或期刊接收。
原文摘要
Classical inference methods notoriously fail when applied to data-driven test hypotheses or inference targets. Instead, dedicated methodologies are required to obtain statistical guarantees for these selective inference problems. Selective inference is particularly relevant post-clustering, typically when testing a difference in mean between two clusters. In this paper, we address convex clustering with $\ell_1$ penalization, by leveraging related selective inference tools for regression, based on Gaussian vectors conditioned to polyhedral sets. In the one-dimensional case, we prove a polyhedral characterization of obtaining given clusters, than enables us to suggest a test procedure with statistical guarantees. This characterization also allows us to provide a computationally efficient regularization path algorithm. Then, we extend the above test procedure and guarantees to multi-dimensional clustering with $\ell_1$ penalization, and also to more general multi-dimensional clusterings that aggregate one-dimensional ones. With various numerical experiments, we validate our statistical guarantees and we demonstrate the power of our methods to detect differences in mean between clusters. Our methods are implemented in the R package poclin.