funFMC: Overlapping Clustering for Functional Data
funFMC：函数型数据的重叠聚类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：摘要研究一般函数型数据聚类，应用为脑成像；虽采用潜因子，但没有宏观或金融因子研究的直接文本依据。
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…
funFMC：函数型数据的重叠聚类
- 研究问题
- 当多变量函数型观测允许同时属于多个簇时，如何恢复重叠成员结构、选择簇数，并对成员关系进行统计推断？
- 方法与思路
- 作者以函数型潜因子和实值载荷编码重叠成员关系，将算子空间中的无限维回归转写为实值矩阵问题以开展估计。
- 材料陈述的贡献
- 摘要称证明载荷矩阵在标签置换意义下可识别，提出簇数与成员关系估计程序，并建立中心极限定理及脑成像应用。
- 阅读关注点
- 应核对载荷识别的具体条件、因子规范化、簇数选择与成员关系解释，以及中心极限定理如何转化为可用的推断程序。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实。摘要未给出所谓温和条件、误差模型和数值结果，无法判断聚类恢复的适用范围。
原文摘要
In applications such as neuroscience and environmental science, data are naturally modeled as multivariate functional data and often exhibit overlapping cluster structure. Existing clustering methods for functional data typically impose mutually exclusive memberships and therefore fail to capture such structure. We propose a latent factor model based approach with functional factors and a real-valued loading matrix that encodes potentially overlapping cluster memberships. Under mild conditions, we establish identifiability of the loading matrix up to permutation, ensuring that the overlapping cluster structure is recoverable up to label switching. We develop a procedure for estimating both the number of clusters and the associated cluster memberships. This involves solving an infinite-dimensional regression problem in operators, whose solution is characterized using the inner product on the space of Hilbert-Schmidt operators and expressed in terms of real-valued matrices. This formulation enables rigorous asymptotic analysis, and we establish a central limit theorem to facilitate statistical inference on overlapping cluster memberships. We demonstrate the performance of our method using numerical studies and an application to functional magnetic resonance imaging data.