基于共价模型的子群聚类识别——面向影像应用
人工智能
2026-04-07 v2
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.2502.08547,
title = {Representation learning to advance multi-institutional studies with electronic health record data from US and France},
author = {Doudou Zhou and Han Tong and Linshanshan Wang and Suqi Liu and Xin Xiong and Ziming Gan and Romain Griffier and Boris Hejblum and Yun-Chung Liu and Chuan Hong and Clara-Lea Bonzel and Tianrun Cai and Kevin Pan and Yuk-Lam Ho and Lauren Costa and Vidul A. Panickan and J. Michael Gaziano and Kenneth Mandl and Vianney Jouhet and Rodolphe Thiebaut and Zongqi Xia and Kelly Cho and Katherine Liao and Tianxi Cai},
journal= {arXiv preprint arXiv:2502.08547},
year = {2026}
}