泊松 - 狄利克雷过程的贝叶斯视角
本文介绍一种新型的 DP 重新参数化方法,该方法在聚类分析中广泛使用,能够实现 DP 的并行学习,从而提高了学习速度和效率,同时该方法不需要改变模型并且能够保持标准后验分布不变。
Apr, 2013
基于 Poisson 随机测度的离散随机概率测度的后验分析方法,能够应用于广泛的贝叶斯非参数和空间统计模型,其技术是基于 Laplace 变换和 Poisson 随机分割方法的,表现出其很高的灵活性并能描述各种随机概率测度和随机危害等。
Aug, 2005
本文重点介绍了 Gibbs-type 先验概率的家族和它们在贝叶斯非参数推断中的应用,涵盖其分布特性、估计器、经验验证和构建时间相关版本,并以层次混合模型和物种抽样为例说明其主要思想。
Feb, 2015
该研究提出了一种用于回归问题的监督层次狄利克雷过程模型(sHDP),并与另一种流行的回归模型进行了比较和评估,结果表明该模型适用于实际分类与回归问题中的数据集,并能够通过数据结构和标签联合学习,构建一种可预测性的分类聚类。
Dec, 2014
提出一种适用于在线聚类和参数估计的低复杂度的序列推理过程,通过更新超参数并使用共轭先验假设,提出了易于计算的条件似然函数的闭形式参数化表达式和 Dirichlet 过程的自适应低复杂度设计。实验结果表明该方法优于其他在线最先进的方法。
Sep, 2014
本研究提出了一种通用的建模框架,通过结合非参数狄利克雷过程混合模型和非参数或半参数建模,用于标记泊松过程的强度和密度函数建模,包括建议的核函数选取、先验规范和后验模拟等内容,并讨论了模型检验的方法,最后以模拟和真实数据集为例进行了说明。
Dec, 2010
本文介绍了蒙特卡洛仿真的泊松过程模型,解释了如何通过扰动和最大化质量函数来完成对离散分布的采样。并通过构建随机函数的方法用于无限空间中的泊松过程模型,综述了 A * 采样和 OS * 采样两种不同蒙特卡洛方法。
Feb, 2016
使用改进的参数分布推导出来自 Dirichlet-Multinomial 分布的 Powered 中餐厅过程,以解决 Dirichlet 先验不一定是建模数据的最佳选择的问题,并提供直接控制 “富人越富” 先验重要性的新公式。
Apr, 2021
本研究表明,确定性点过程 (DPP) 是描述空间点模式数据集的有用模型,但其统计模型和方法基本上未被探索。因此,我们利用 DPP 的概率特性,开发出参数模型,它可以很容易地评估其似然和矩表达式,并且可以快速模拟其实现。我们讨论了如何使用 DPP 模型的似然或矩性质进行统计推断,并提供了可自由使用的软件进行模拟和统计推断。
May, 2012