协变量调整的函数混合成员模型
统计方法学
2024-10-02 v1
摘要
混合成员模型是一类灵活的概率数据表示，用于无监督和半监督学习，允许每个观测部分地属于多个聚类或特征。在本文中，我们扩展了函数混合成员模型的框架，以允许协变量依赖的调整。所提出的模型利用多元Karhunen-Loève分解，这允许一个可扩展且灵活的模型。在此框架内，我们建立了一组充分条件，确保均值、协方差和分配结构在标签置换下是可识别的。本文的主要动机是通过对自闭症谱系障碍（ASD）儿童进行脑电图（EEG）的功能性脑成像研究。具体来说，我们有兴趣表征典型发育（TD）儿童和ASD儿童α振荡的异质性。由于已知α振荡会随着儿童发育而变化，我们旨在表征条件于儿童年龄的α振荡的异质性。使用所提出的框架，我们获得了关于ASD儿童α振荡发育轨迹以及TD儿童和ASD儿童之间发育轨迹差异的新信息。
引用
@article{arxiv.2410.00370,
title = {Covariate Adjusted Functional Mixed Membership Models},
author = {Nicholas Marco and Damla Şentürk and Shafali Jeste and Charlotte DiStefano and Abigail Dickinson and Donatello Telesca},
journal= {arXiv preprint arXiv:2410.00370},
year = {2024}
}
备注
71 pages including supplement