用于贝叶斯多视图聚类的乘积中心 Dirichlet 过程
统计方法学
2025-04-01 v4
摘要
尽管关于贝叶斯聚类方法的文献浩如烟海，但多视图情形却鲜受关注。该问题聚焦于在共同实体集合上，针对不同数据类型获取不同但在统计上相互依赖的聚类。例如，将患者聚类为子群，且子群成员资格随患者变量领域的不同而变化。一个挑战是如何对患者划分子群的跨视图依赖性进行建模。划分空间的复杂性使得对依赖性建模的标准方法（如相关性）不可行。在本文中，我们提出了以独立性为中心的聚类（CLustering with Independence Centering, CLIC），这是一种使用单一参数显式建模跨视图聚类间依赖关系的聚类先验。CLIC 由乘积中心 Dirichlet 过程（PCDP）导出，这是一种在独立划分与等价划分之间起桥梁作用的新型分层先验。我们展示了其吸引人的理论性质，提供了一种有限近似并证明了其准确性，提出了一种用于后验计算的边缘 Gibbs 采样器，并推导了 CLIC 模型的边缘划分分布与联合划分分布的闭式表达式。在合成数据及流行病学应用中，CLIC 准确表征了特定视图的划分，同时对依赖水平进行了推断。
关键词
引用
@article{arxiv.2312.05365,
title = {Product Centered Dirichlet Processes for Bayesian Multiview Clustering},
author = {Alexander Dombowsky and David B. Dunson},
journal= {arXiv preprint arXiv:2312.05365},
year = {2025}
}