- 基于多样功能表示的监督学习:功能投票分类器
功能数据分析(FDA)是用于建模和分析时间域函数数据的框架,在该领域中,集成学习的功能分类器只是最近引起了极大的兴趣。该论文的重点是基于功能数据的集成学习,展示了如何使用不同的功能表示来训练集成成员,并通过多数投票来组合基模型的预测结果。所 - 功能图卷积网络:一个统一的多任务和多模态学习框架以促进健康和社会护理洞察
该论文介绍了一种新颖的功能图卷积网络 (funGCN),它结合了功能数据分析和图卷积网络,以解决数字健康和纵向研究中的多任务和多模式学习的复杂性问题。通过模拟实验和真实数据应用的验证,证实了 funGCN 的有效性。
- 功能性线性非高斯无环模型用于因果发现
利用 Functional Linear Non-Gaussian Acyclic Model(Func-LiNGAM)扩展线性非高斯无环模型(LiNGAM)的概念,以应对涉及功能性磁共振成像和脑电图数据的大脑有效连接任务中的因果关系识别问 - 用于平滑和表示学习的功能性自编码器
本研究提出了使用神经网络自编码器学习函数数据的非线性表示,以实现功能性数据分析,包括投影层计算加权内积以及利用一组预定义基函数从功能数据中提取的有限维向量回显功能空间。实验证明,该方法在预测和分类方面优于功能性主成分分析,并且在线性和非线性 - 功能数据分类的特征选择
该论文介绍了一种名为 FSFC(适用于功能分类的特征选择)的新方法,它解决了在具有分类响应和纵向特征的情况下同时执行特征选择和功能数据分类的挑战。通过集成逻辑损失和功能特征来识别分类的最重要特征,该方法利用功能主成分和自适应版增广拉格朗日算 - 基于核嵌入的函数深层神经网络的非线性函数回归
利用平滑核积分变换的思想,我们提出了一种功能深度神经网络,其具有高效和完全依赖数据的降维方法。我们的功能网络的架构包括核嵌入步骤、投影步骤和表达深度 ReLU 神经网络,利用平滑核嵌入使其具有离散不变性、高效性和对噪声观测的鲁棒性,能够利用 - 用顺序神经网络增强功能数据分析:优势和比较研究
利用顺序神经网络(SNN)在函数数据分析(FDA)应用中的效果进行比较分析,结果表明 SNN 架构能克服传统 FDA 方法的局限性并提供可伸缩性、灵活性和改进的分析性能。
- 函数学习的分布式梯度下降
我们提出了一种 DGDFL 算法,它是一种分布式迭代训练方法,适用于在多台本地计算机上处理大规模的功能数据,实现了功能数据分析的阶段性丰富。
- 功能性扩散图
这篇研究主要讲述了如何将非线性流形学习方法 ——Diffusion Maps 扩展到函数数据,并在不同的仿真和实例中将其行为与函数 PCA 进行比较,以便进行功能数据分析和降维。
- 时间序列的双向降维的一种函数方法
本文提出了一种非线性函数对函数的降维方法,使用连续神经元的连续隐藏层来学习函数数据中固有的结构,通过降低函数特征数和观测时间点数来得到一个低维的潜在表征,从而在时间序列的维度缩减方面取得了比目前方法更好的效果。
- MM使用 f0 轨迹的函数数据分析提高说话人去识别能力
本研究提出了一种新颖的说话者去识别方法,采用简单的共振峰偏移和基于函数数据分析的 f0 轨迹操作,可以在音素可控的方式下掩盖潜在的识别音调特征,提高了基于共振峰的语音匿名度最多达 25%。
- 基于主成分的鲁棒函数回归
通过提出鲁棒性函数主成分和鲁棒线性回归结合的两步估计方法和一种可以减少估计曲率的转换,本研究在椭圆分布下证明了这些估计量的 Fisher 一致性和在温和正则性条件下的一致性,探究了这些估计量的影响函数,模拟实验表明,相比现有的方法,所提出的 - 在黎曼流形和球面上的函数数据的主成分分析
对非线性流形上的泛函数据进行了功能数据分析,并针对光滑的黎曼流形值泛函数据进行了内在主成分分析,并研究了其渐近特性及其应用。
- Wasserstein 空间中的 Fréchet 平均和 Procrustes 分析
本研究探讨了函数数据分析和非欧几里得数据分析领域中的两个统计学问题:在多元分布的 Wasserstein 空间中确定 Fréchet 均值,以及畸变随机测量和点过程的最佳注册。研究表明,这两个问题在某种意义上是相互关联的,并通过利用 Was - 振幅和相位变化的函数数据分析
本文简要介绍了功能数据分析领域中的一个重要难题 —— 相位变异问题,并总结了几种现有的相位分离方法,阐述了它们的差异以及对应的优化算法。
- 函数回归
本文介绍了函数数据分析(FDA)的基本概念及其方法,着重介绍了 FDA 中应用广泛的函数回归,包括基函数、函数响应回归和函数之间的回归,并强调了重复性和规律性在这些方法中的作用。
- 神经网络中的函数数据表示
将 Radial-Basis Function Networks 和 Multi-Layer Perceptron 模型扩展到功能数据输入,以处理由输入输出对列表定义的功能数据,包括平滑基底上的投影、Functional Principal - 功能数据分类的支持向量机
本文研究了使用支持向量机(SVM)进行函数数据分析的问题,着眼于曲线判别问题,展示了如何定义简单的内核函数以考虑数据的函数性质并导致一致的分类,实验表明考虑问题的函数特征对数据的分析是有益的。