Estimating Mixture of Gaussian Processes by Kernel Smoothing
高斯过程混合模型的核平滑估计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：摘要研究异质函数曲线与高斯过程混合估计，函数主成分分析本身不足以归入宏观因子或其他所列领域细分。
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…
高斯过程混合模型的核平滑估计
- 研究问题
- 当函数型数据由多类异质曲线组成时，如何同时刻画函数结构与类别差异，并估计各类别的均值函数和协方差函数？
- 方法与思路
- 作者提出高斯过程混合模型的估计程序，对均值和协方差函数施加平滑结构，结合 EM、核回归与函数主成分分析进行估计。
- 材料陈述的贡献
- 摘要称模型可识别，组合算法可高效估计；作者还以蒙特卡洛模拟评估方法，并通过超市数据展示异质函数数据的建模应用。
- 阅读关注点
- 核对混合模型的可识别条件、类别数与平滑参数选择、协方差函数的约束，以及 EM 初始化和主成分截断对结果的影响。
- 阅读边界
- 摘要未说明可识别条件、类别数确定方式及比较结果；模型可识别不等于算法必然找到全局最优解，有限样本性能需全文核验。
原文摘要
When the functional data are not homogeneous, e.g., there exist multiple classes of functional curves in the dataset, traditional estimation methods may fail. In this paper, we propose a new estimation procedure for the Mixture of Gaussian Processes, to incorporate both functional and inhomogeneous properties of the data. Our method can be viewed as a natural extension of high-dimensional normal mixtures. However, the key difference is that smoothed structures are imposed for both the mean and covariance functions. The model is shown to be identifiable, and can be estimated efficiently by a combination of the ideas from EM algorithm, kernel regression, and functional principal component analysis. Our methodology is empirically justified by Monte Carlo simulations and illustrated by an analysis of a supermarket dataset.