[论文解读] latrend: A Framework for Clustering Longitudinal Data

Niek Den Teuling, Steffen Pauws+1 more|arXiv (Cornell University)|Feb 22, 2024

Advanced Clustering Algorithms Research被引用 4

一句话总结

该论文介绍了 latrend，一个用于聚类纵向数据的 R 包，提供统一框架，可实现多种方法的无缝比较，且编码量极少。它整合了来自 dtwclust、flexmix、lcmm 和 mclust 等包的 18 种成熟聚类方法，使研究人员能够高效地标准化、评估和扩展纵向聚类分析。

ABSTRACT

Clustering of longitudinal data is used to explore common trends among subjects over time for a numeric measurement of interest. Various R packages have been introduced throughout the years for identifying clusters of longitudinal patterns, summarizing the variability in trajectories between subject in terms of one or more trends. We introduce the R package "latrend" as a framework for the unified application of methods for longitudinal clustering, enabling comparisons between methods with minimal coding. The package also serves as an interface to commonly used packages for clustering longitudinal data, including "dtwclust", "flexmix", "kml", "lcmm", "mclust", "mixAK", and "mixtools". This enables researchers to easily compare different approaches, implementations, and method specifications. Furthermore, researchers can build upon the standard tools provided by the framework to quickly implement new cluster methods, enabling rapid prototyping. We demonstrate the functionality and application of the latrend package on a synthetic dataset based on the therapy adherence patterns of patients with sleep apnea.

研究动机与目标

• 为解决在众多异构的 R 包中选择纵向聚类方法的挑战，这些包的比较与评估需要大量工作。
• 通过为多种纵向聚类方法提供标准化接口，减少研究人员的编码负担。
• 实现不同算法和实现之间聚类结果的透明、可重现且系统化的比较。
• 支持可扩展性，使用户能够以最小努力实现新聚类方法或集成额外包。
• 通过简化模型设定、估计、选择和评估流程，促进纵向研究中的探索性数据分析。

提出的方法

• latrend 框架通过一致的 API 与 18 个现有 R 包集成，这些包实现了纵向聚类方法，包括 dtwclust、flexmix、kml、lcmm、mclust、mixAK 和 mixtools。
• 它在不同方法之间标准化了模型设定、估计和评估流程，支持基于距离和基于模型的聚类方法。
• 通过与 clusterCrit 和 mclustcomp 包的集成，框架可自动使用多种内部验证指标（如调整兰德指数、AIC、BIC）比较聚类解决方案。
• 使用 foreach 包支持计算密集型方法（如 GBTM 和 GMM）的并行计算。
• 该包设计时充分考虑可扩展性，用户可通过遵循标准化接口轻松实现新聚类方法。
• 它处理具有单一连续响应变量的纵向数据，将数据组织为个体水平的轨迹以供分析。

Figure 1: The trajectories from the ‘PAP.adh‘ dataset, by reference group.

实验结果

研究问题

• RQ1 研究人员如何在不编写大量特定方法代码的情况下，高效比较多种纵向聚类方法？
• RQ2 在相同纵向数据集上应用多种成熟方法（如 GBTM、GMM、基于 DTW 的 k-means）时，聚类结果的实际差异是什么？
• RQ3 latrend 框架在多大程度上减少了原型设计和评估纵向聚类模型所需的工作量？
• RQ4 统一框架如何提升不同研究领域中纵向聚类分析的可重现性和透明度？
• RQ5 在处理复杂模型设定（如先验分布或初始化策略）时，标准化框架存在哪些局限性？

主要发现

• latrend 包成功将 18 种来自现有 R 包的纵向聚类方法整合到单一、一致的接口中，显著降低了编码开销。
• 研究人员可使用 AIC、BIC 和调整兰德指数等标准化指标，在不同方法间比较聚类结果，实现基于数据的方法选择。
• 该框架支持计算密集型方法（如 GBTM 和 GMM）的并行估计，提升了大规模数据集的可扩展性。
• 该包支持纵向聚类模型的快速原型设计，且可轻松扩展以集成新方法或新包。
• 该框架在设计上具有可扩展性，支持未来增强，包括多轨迹建模和分类结果，尽管这些功能尚未实现。
• 作者在模拟的睡眠呼吸暂停治疗依从性数据集上展示了该框架的实用性，证明其在真实研究场景中的实际应用价值。

Figure 2: The cluster trajectories of the three-cluster solution identified by LMKM, created using ‘plot(lmkm2)‘.