A Tensor-Variate Spatially Constrained Gaussian Mixture Model
We introduce a tensor-variate Gaussian mixture model that takes advantage of a spatial coordinate system through a linear covariance structure with sigmoid decay. By applying an appropriate decomposition, this highly constrained covariance structure offers an efficient way to model spatial autocorrelation while maintaining a constant number of free parameters. We combine this with a factor analyzers model in order to deal with multivariate data measured at each coordinate. The primary goal of our proposed model is to simultaneously perform model-based clustering while estimating spatial patterns in the data. We present both simulation studies and applications using Raman spectroscopy data to demonstrate the model.
Un modèle de mélange gaussien à contraintes spatiales et à variables tensorielles
Nous introduisons un modèle de mélange gaussien à variables tensorielles qui prend l'avantage d'un système de coordonnées spatiales par le biais d'une structure de covariance linéaire avec décroissance sigmoïde. En appliquant une décomposition appropriée, cette structure de covariance fortement contrainte offre un moyen efficace de modéliser l'autocorrélation spatiale tout en maintenant un nombre constant de paramètres libres. Nous combinons cette structure avec un modèle d'analyseurs de facteurs afin de traiter des données multivariées mesurées à chaque coordonnée. L'objectif principal du modèle que nous proposons est d'effectuer simultanément une classification basée sur un modèle tout en estimant les structures spatiales des données. Nous démontrons le modèle à l'aide d'études de simulation et d'applications utilisant des données de spectroscopie Raman.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais