모델 작업

모노딥 무케르지

따르다

--

듣다

공유하다

저자 : Luca Scrucca, Mohammed Saqr, Sonsoles López-Pernas, Keefe Murphy

Abstract : 이질성은 최근 교육문헌에서 뜨거운 주제이다. 학생들의 행동이나 기능 내에서 다양한 패턴이나 하위 그룹을 포착하는 방법을 채택하라는 여러 요청이 있었습니다. 학생 모집단 전체를 대표하는 평균 패턴이 있다고 가정하려면 측정된 구성이 동일한 인과 메커니즘, 동일한 발달 패턴을 갖고 정확히 동일한 방식으로 학생들에게 영향을 미치도록 해야 합니다. 본 튜토리얼에서는 사람 중심 방법(유한 가우스 혼합 모델 또는 잠재 프로파일 분석)을 사용하여 세 개의 잠재 또는 관찰되지 않은 클러스터를 식별하여 참여 데이터 내 이질성을 발견하는 방법을 보여줍니다. 이 장에서는 방법의 원리, 클러스터 수 선택 지침, 클러스터링 결과 평가, 코드 및 실제 데이터 세트가 포함된 자세한 가이드를 포함하는 모델 기반 클러스터링에 대한 소개를 제공합니다. 토론에서는 결과 해석, 모델 기반 클러스터링의 장점, 다른 방법과의 비교에 대해 자세히 설명합니다.

2. 베이지안 모델 기반 클러스터링(arXiv)에 대한 검토

저자: 클라라 그라치안

개요 : 클러스터링은 의학 및 전염병학, 유전체학, 환경 과학, 경제학, 시각 과학 등 다양한 지식 분야에서 중요한 작업입니다. 클러스터 수에 대한 추론을 수행하는 방법론은 종종 일관성이 없는 것으로 입증되었으며 클러스터 간의 종속 구조를 도입하면 추정 프로세스에 추가적인 어려움이 있음을 의미합니다. 베이지안 설정에서는 알 수 없는 파티션을 임의의 개체로 간주하고 이에 대한 사전 분포를 정의하여 클러스터링을 수행합니다. 이 사전 분포는 관측값에 대한 모델에 의해 유도되거나 파티션에 대해 직접 정의될 수 있습니다. 그러나 최근의 여러 결과에서는 군집 수와 그에 따른 분할 수를 일관되게 추정하는 데 어려움이 있음을 보여주었습니다. 분할 공간의 크기가 크기 때문에 분할의 사후 분포를 요약하는 문제 자체는 여전히 열려 있습니다. 이 작업은 클러스터링을 수행하기 위해 문헌에서 사용할 수 있는 베이지안 접근 방식을 검토하고 각 접근 방식의 장점과 단점을 제시하여 향후 연구 방향을 제안하는 것을 목표로 합니다.