Copula-based mixture model identification for subgroup clustering with imaging applications

要約

モデルベースのクラスタリング技術はさまざまなアプリケーション領域に広く適用されていますが、ほとんどの研究は、独自のコンポーネント分布フォームを備えた標準混合物に焦点を当てています。
ただし、この厳格な仮定は、満足するのが難しいことがよくあります。
このホワイトペーパーでは、クラスタリング用のより柔軟なコピュラベースの混合モデル（CBMMS）を検討します。これにより、周辺およびコピュラ形式の柔軟な選択によって構成される不均一なコンポーネント分布が可能になります。
より具体的には、一般化された反復条件推定（GICE）アルゴリズムの適応を提案して、CBMMSを監視されていない方法で識別します。
GICEは、実現時間を選択してマルコフモデルの識別を切り替えるために開発された元のバージョンから採用されています。
次に、CBMM-GICEクラスタリング法は、収束に影響を与える要因について議論された合成2クラスターデータ（n = 2000サンプル）でテストされます。
最後に、MNISTデータベース全体（n = 70000）全体に一意のコンポーネント形式を持つ混合モデルを特定したことと、イメージングアプリケーションの値を示すための実際の心臓磁気共鳴データ（n = 276）で特定された混合モデルと比較されます。

要約(オリジナル)

Model-based clustering techniques have been widely applied to various application areas, while most studies focus on canonical mixtures with unique component distribution form. However, this strict assumption is often hard to satisfy. In this paper, we consider the more flexible Copula-Based Mixture Models (CBMMs) for clustering, which allow heterogeneous component distributions composed by flexible choices of marginal and copula forms. More specifically, we propose an adaptation of the Generalized Iterative Conditional Estimation (GICE) algorithm to identify the CBMMs in an unsupervised manner, where the marginal and copula forms and their parameters are estimated iteratively. GICE is adapted from its original version developed for switching Markov model identification with the choice of realization time. Our CBMM-GICE clustering method is then tested on synthetic two-cluster data (N=2000 samples) with discussion of the factors impacting its convergence. Finally, it is compared to the Expectation Maximization identified mixture models with unique component form on the entire MNIST database (N=70000), and on real cardiac magnetic resonance data (N=276) to illustrate its value for imaging applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google