基于共价模型的子群聚类识别——面向影像应用
计算机视觉与模式识别
2025-02-13 v1 机器学习
摘要
模型基聚类技术已广泛应用于各个应用领域，但大多数研究聚焦于具有唯一组成分布形式的标准混合模型。然而，这一严格假设往往难以满足。本文考虑更灵活的共价基混合模型（Copula-Based Mixture Models, CBMMs）进行聚类，允许组成分布由灵活的边际分布形式和共价形式的组合而成。具体而言，我们提出了一种适用于CBMM识别的广义迭代条件估计（GICE）算法的改进版本，以无监督方式识别CBMM，其中边际形式、共价形式及其参数将迭代地被估计。GICE算法改编自最初用于开关马尔可夫模型识别的版本，采用“实现时间”作为选择标准。我们测试的CBMM-GICE聚类方法在合成两聚类数据（N=2000样本）上进行测试，讨论了影响其收敛的因素。最后，我们将其与在整个MNIST数据库（N=70000）和真实心脏磁共振数据（N=276）上由EM算法识别的唯一组成形式混合模型进行比较，以说明其在影像应用中的价值。
引用
@article{arxiv.2502.08549,
title = {Copula-based mixture model identification for subgroup clustering with imaging applications},
author = {Fei Zheng and Nicolas Duchateau},
journal= {arXiv preprint arXiv:2502.08549},
year = {2025}
}