论文标题
弹性$ k $ -Means的功能数据聚类用于后探测，并应用推断急性呼吸道感染动力学
Elastic $k$-means clustering of functional data for posterior exploration, with an application to inference on acute respiratory infection dynamics
论文作者
论文摘要
我们提出了一种使用$ K $ -MEANS框架聚类功能数据的新方法。我们在弹性功能数据分析框架中工作，该框架可以将功能数据的总体变化分解为振幅和相分量。我们使用振幅组件使用自动方法将功能分配到形状簇中。为了选择适当数量的簇，我们还提出了一个新颖的贝叶斯信息标准，该标准使用混合模型定义在使用功能主成分分析估算的主组件上。所提出的方法是由后探测的问题激励的，其中从马尔可夫链蒙特卡洛算法获得的样品自然表示为功能。我们使用模拟数据集评估了我们的方法，并将其应用于墨西哥圣路易斯·波托斯的急性呼吸道感染动力学的研究。
We propose a new method for clustering of functional data using a $k$-means framework. We work within the elastic functional data analysis framework, which allows for decomposition of the overall variation in functional data into amplitude and phase components. We use the amplitude component to partition functions into shape clusters using an automated approach. To select an appropriate number of clusters, we additionally propose a novel Bayesian Information Criterion defined using a mixture model on principal components estimated using functional Principal Component Analysis. The proposed method is motivated by the problem of posterior exploration, wherein samples obtained from Markov chain Monte Carlo algorithms are naturally represented as functions. We evaluate our approach using a simulated dataset, and apply it to a study of acute respiratory infection dynamics in San Luis Potosí, Mexico.
