贝塔-二项式破粘非参数先验

@第{GilLeyva2019BetaBinominalSN条，title={贝塔-二项式破胶非参数先验}，作者={Mar'ia F.Gil-Leyva和Rams的H.Mena和Theodoros Nicoleris}，journal={电子统计杂志}，年份={2019}，url={https://api.semanticscholar.org/CorpusID:201070358}}
提出了一类新的非参数先验分布，称为Beta-二项式破粘过程，它包含Dirichlet过程和Geometric过程先验作为特例，这对于MCMC实现的快速收敛很有意义。
[PDF]语义阅读器
3引文
背景引文
1

本文中的数字

询问这篇论文
贝塔
人工智能驱动

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

3引文

具有可交换长度变量的断棒过程

摘要我们的研究对象是具有可交换长度变量的一般类粘性破缺过程。这些将众所周知的贝叶斯非参数先验推广到一个未探索的方向。…

概率聚类中的熵正则化

提出了一种新的聚类结构贝叶斯估计，该估计等价于一个后处理过程，该后处理过程减少了稀疏聚类的数量，增强了可解释性，并采用贝叶斯估值的熵正则化形式。

线性网络上的聚类约束

提出了一种几何网络上点事件的无监督分类方法。这个想法依赖于随机分区模型的分布灵活性和实用性…

36参考文献

断棒先验的吉布斯抽样方法

提出了两种通用类型的Gibbs采样器，可用于拟合基于断粘先验的贝叶斯层次模型的后验，并基于一种完全不同的方法，即直接从随机测度的后验值中采样值，提出了分块Gibbs采样器。

连续贝叶斯非参数建模的几何破杆过程

几何权重先验的相关混合

关于归一化逆高斯先验函数的破粘表示

随机概率测度是贝叶斯非参数推断的主要工具，其规律充当先验分布。然而，实践中使用的许多著名的先验都承认不同…

复合随机测度及其在贝叶斯非参数中的应用

本文证明了如何用伽马、σ稳定和广义伽马过程边值构造复合随机测度，并导出了拉普拉斯指数的几种形式，并通过Lévy copula和相关函数刻画了相关性。

贝叶斯非参数混合模型中的强化控制

采用贝叶斯非参数方法，采用分层模型，并从广义伽马过程中获得合适的非参数先验，以解决混合模型中成分数量的确定问题。

关于齐次NRMI的破杆表示

设计了一种基于hNRMIs的分层采样混合模型算法，该算法依赖于所获得的表示，并将其用于分析实际数据。

用切片采样Dirichlet混合模型

本文详细介绍的算法还保留了随机分布函数，其关键是引入了一个潜在变量，该变量允许在吉布斯采样器的每次迭代中对有限数量的对象进行采样。

具有独立增量的正规化随机测度的后验分析

对随机概率进行全面的贝叶斯非参数分析，该分析是通过用独立增量规范化随机测度（NRMI）获得的，它允许导出广义Blackwell–MacQueen抽样方案，然后该方案也适用于覆盖由一般NRMI驱动的混合模型。

贝叶斯混合模型及其可辨识性

贝叶斯混合模型分配的先验分布通过高概率消除间隙为标记提供了明确的解释，并提出了马尔可夫链蒙特卡罗（MCMC）估计方法。