递归混合分布估计的一致性
本文探讨了混合分布下的生物进化树的重建问题,并在引入线性测试的概念时给出了相应的二元定理,并使用了凸规划二元对偶的想法,最后与代数几何角度联系起来。
Sep, 2006
基于形状约束函数估计的思路,本文提出了一种估计混合比例和未知分布的方法,研究了其一致性和收敛速率,开发了自动化的无分布有保证的混合比例置信下限估计方法,并分析了在天文与微阵列实验中的应用。
Apr, 2012
本文研究 MCMC 算法的 mixing rate 问题,并根据 Poincaré inequality 定理,展示 MCMC 算法在 state space 的 subset 上的条件概率分布上快速逼近真实条件分布的能力,进而探讨该理论在高斯混合模型采样和 Gibbs 采样中的应用。
Jun, 2023
本研究探讨和比较了三个离散单调分布的估计器:(a) 原始经验估计器;(b) 排列方法估计器;和 (c) 最大似然估计器。我们发现,在分布具有稳定区间时,最大似然估计器严格优于排列和经验估计器。
Oct, 2009
本篇论文研究、应用和优化混合模型和变化推理等技术对贝叶斯统计学、计算生物学和自然语言处理等多个领域的贡献,并研究证明了可变组成元素数量的情况下,情形近似的集中性,以及证明了这种多次证明技术确实是有效的。
May, 2018
本文提出了一种贝叶斯推导和计算的新方法,通过递归划分样本空间来定义,并通过有效的数据结构组织划分来近似整个密度函数以及规范化常数,可用于证据估计或快速后验采样,并具有与最新技术相当的性能。
Oct, 2020
本研究提出了一种新的非归一化统计模型估计器族,其参数由两个非线性函数组成,使用来自辅助分布的单个样本,推广了 Geyer 和 Thompson(1992)的最大似然蒙特卡罗估计方法,并且可以像模型中的任何其他参数一样估计分区函数。同时,我们可以通过优化代数简单且定义明确的目标函数来进行估计,从而允许使用专用优化方法。最后,我们从计算效率的角度考虑了相对于给定数据量的最佳辅助样本量。
Mar, 2012
通过有限混合物逼近一般的高斯位置混合物,在具有紧支持或适当的尾部概率假设的混合分布族中确定实现所需精度(通过各种 $f$- 分歧度测量)的有限混合物的最小阶数,其中上界是通过使用局部矩匹配技术实现的,下界是通过将最佳逼近误差与某些三角矩矩阵的低秩逼近联系起来,然后通过对其最小特征值进行精细的谱分析确定的。在高斯混合分布情况下,该结果纠正了之前在 [Allerton Conference 48 (2010) 620-628] 中的下界。
Apr, 2024
本文主要研究包含两种 Mallows 模型的混合模型,用于对包含专家和非专家评委的异质性选民群体进行排名。在此基础上,针对数据中的噪声和非专家评委造成的影响,对 Borda 算法进行了改进,以便能够更好地还原 “专家排名” 的排名。
Oct, 2020