統(tǒng)計與數(shù)據(jù)科學(xué)學(xué)院  報道

近日，我校統(tǒng)計與數(shù)據(jù)科學(xué)學(xué)院博士生任陽完成的學(xué)術(shù)論文“Spectral Clustering for Functional Data with Asymptotic Properties”以南京審計大學(xué)為第一署名單位被統(tǒng)計學(xué)權(quán)威期刊Statistica Sinica接收。論文指導(dǎo)教師為我校統(tǒng)計與數(shù)據(jù)科學(xué)學(xué)院林金官教授，王江艷副教授與加拿大滑鐵盧大學(xué)桑培俊副教授。

傳統(tǒng)聚類方法主要是針對多元數(shù)據(jù)開發(fā)的，往往難以捕捉函數(shù)型數(shù)據(jù)的連續(xù)性與動態(tài)性，進而忽略了關(guān)鍵特征。針對這一問題，該論文提出一種兩階段函數(shù)型數(shù)據(jù)譜聚類（TSFDSC）方法，該方法可借助圖拉普拉斯算子，有效實現(xiàn)對稠密型和稀疏型函數(shù)數(shù)據(jù)的聚類。對于稠密函數(shù)型數(shù)據(jù)，先將其投影至一組預(yù)設(shè)的基函數(shù)上，再對投影得到的系數(shù)進行譜聚類；對于稀疏函數(shù)型數(shù)據(jù)，則改用函數(shù)主成分得分開展聚類。通過利用譜嵌入生成的低維表征，該方法實現(xiàn)了計算效率的提升。論文推導(dǎo)并證明了所提方法的漸近性質(zhì)。仿真實驗結(jié)果表明，在多種實驗設(shè)定下，TSFDSC的性能均優(yōu)于一些常用的函數(shù)型聚類方法。最后，通過兩個實際應(yīng)用案例，進一步驗證了該方法的有效性。