[論文レビュー] Statistical Inference for Fuzzy Clustering

Qiuyi Wu, Zihan Zhu+1 more|arXiv (Cornell University)|Jan 6, 2026

Bayesian Methods and Mixture Models被引用数 0

ひとこと要約

加重ファジィC-meansフレームワーク（WFCM）と統計推定を導入。ML推定、仮説検定、ブートストラップ信頼区間、およびクラスタ数選択のための加重Xie-Beni指標を含む。

ABSTRACT

Clustering is a central tool in biomedical research for discovering heterogeneous patient subpopulations, where group boundaries are often diffuse rather than sharply separated. Traditional methods produce hard partitions, whereas soft clustering methods such as fuzzy $c$-means (FCM) allow mixed memberships and better capture uncertainty and gradual transitions. Despite the widespread use of FCM, principled statistical inference for fuzzy clustering remains limited. We develop a new framework for weighted fuzzy $c$-means (WFCM) for settings with potential cluster size imbalance. Cluster-specific weights rebalance the classical FCM criterion so that smaller clusters are not overwhelmed by dominant groups, and the weighted objective induces a normalized density model with scale parameter $σ$ and fuzziness parameter $m$. Estimation is performed via a blockwise majorize--minimize (MM) procedure that alternates closed-form membership and centroid updates with likelihood-based updates of $(σ,\bw)$. The intractable normalizing constant is approximated by importance sampling using a data-adaptive Gaussian mixture proposal. We further provide likelihood ratio tests for comparing cluster centers and bootstrap-based confidence intervals. We establish consistency and asymptotic normality of the maximum likelihood estimator, validate the method through simulations, and illustrate it using single-cell RNA-seq and Alzheimer disease Neuroimaging Initiative (ADNI) data. These applications demonstrate stable uncertainty quantification and biologically meaningful soft memberships, ranging from well-separated cell populations under imbalance to a graded AD versus non-AD continuum consistent with disease progression.

研究の動機と目的

• 不均衡なサブ集団を含む生物医療データにおけるファジークラスタリングの不確実性評価の必要性を動機づける。
• クラスタの寄与を再バランスさせ、確率的解釈を可能にする加重ファジィC-means目的関数を提案する。
• 可理論に基づくメンバーシップ更新とパラメータ推定を含む尤度ベースのフレームワークを開発する。
• クラスタ中心とメンバーシップの仮説検定とブートストラップベースの信頼区間を可能にする。
• MLEの一貫性と漸近正規性に関する理論的保証とモデル選択ツールを提供する。

提案手法

• クラスタサイズの不均衡に対処するため、クラスタ特異的重みを用いた加重ファジィC-means（WFCM）損失を定義する。
• WFCM損失からスケールパラメータσとファジネスパラメータmを持つ正規化密度モデルを導入する。
• ブロック毎のマジョライズ-ミニマイズ（MM）手法で、メンバーシップ更新とσ,wの尤度ベース更新を交互に行い、パラメータを推定する。
• データ適応型ガウス混合提案を用いた重要度サンプリングで正規化定数を近似する。
• クラスタ中心の比較には尤度比検定を提供し、不確実性定量のためのブートストラップ信頼区間を提供する。
• 一貫したクラスタ数選択のための加重Xie-Beni指標を導入する。

実験結果

リサーチクエスチョン

• RQ1 クラスタサイズの不均衡の下で principled な統計推定をファジークラスタリングに拡張するにはどうすればよいか。
• RQ2 クラスタ特異的重みが確率モデルを作り、ファジィメンバーシップと中心に対する尤度ベース推定を可能にするか。
• RQ3 提案された推定量の漸近的性質（一貫性と正規性）は緩和条件下でどうなるか。
• RQ4 メンバーシップと中心の不確実性を検定とブートストラップ法でどう定量化するか。
• RQ5 加重ファジィクラスタリングフレームワークでクラスタ数をどう選択すべきか。

主な発見

• 重み付きFCM目的関数はσとmのパラメータを持つ正規化密度モデルを生み出す。
• ブロックごとのMMアルゴリズムは閉形式のメンバーシップ更新およびセントロイド更新を提供し、パラメータ更新は尤度最適化を通じて行われる。
• データ適応型ガウス混合提案を用いた重要度サンプリングにより正規化定数の実用的推定が可能となる。
• 本フレームワークは中心の尤度比検定とパラメータおよびメンバーシップのブートストラップ信頼区間を提供する。
• 理論的結果はラベル置換に対してMLEの強い一貫性と、緩い正則性条件下での漸近的正規性を確立する。
• scRNA-seqおよびADNIデータへの適用は、不確実性定量の安定性と生物学的に意味のあるソフトメンバーシップを示す。