负二项式计数和混合建模
利用负二项分布开发数据增强技术,将计数和混合模型统一到负二项过程中,发展了基本特性和高效的 Gibbs 采样推理,并将 Gamma-NB 过程降低到层次狄利克雷过程的规范形式,展示了其独特的理论性、结构性和计算性优势。构建了多种具有不同共享机制的 NB 过程,并应用于主题建模,与现有算法有关联,展示了推断 NB 分布和概率参数的重要性。
Sep, 2012
本研究提出了一种基于负二项式拟合的 lognormal 和 gamma 混合模型,应用了贝叶斯推断,实现了回归系数的稀疏性先验等效果,提高了贝叶斯方法计算的简洁性和效率。
Jun, 2012
本文提出了一种基于 beta 负二项(BNB)过程的 beta-gamma-Poisson 过程,并将其应用于无限泊松因子分析模型中作为一种非参数贝叶斯先验。通过数据增广和边缘化技术进行了有效的 MCMC 计算,实现了 beta 过程的有限逼近 Levy 随机测量。结果表明该方法在文档计数矩阵分解方面表现出了很好的效果。
Dec, 2011
本文提出了一种贝叶斯非参数方法来解决多重潜在类别问题,介绍了负二项式过程作为适用于此类问题的无限维先验,并研究了基于其的后验分布及其层次化模型。通过实验,使用了分割、识别和分析领域的后验推断的 MCMC 算法。
Nov, 2011
定义了一组概率分布,用于随机计数矩阵,并构建出三种分布,分别来自于 gamma-Poisson、gamma-negative binomial 和 beta-negative binomial 过程。这些模型都具有 GIBBS 抽样更新方程,适合作为计数矩阵的非参数贝叶斯先验。通过对这些矩阵的组合结构进行分析,介绍了如何逐行构建一个列独立同分布的计数矩阵,并得到了新行计数向量的预测分布。最后,用这些先验设计了一个朴素贝叶斯文本分类器,并通过实验证明了负二项式过程比 Poisson 过程更适合文本分类。
Apr, 2014
介绍了一种新的非参数贝叶斯主题模型,它使用完全折叠的 Gibbs 采样器来运用 beta - 负二项式过程,并且采用可交换分区概率函数来描述如何将数据点聚类成不确定数量的组,具有简单实现、快速收敛、良好混合以及最先进的预测性能。
Oct, 2014
提出了一种负二项式随机化的伽马马尔科夫过程来建模计数数列的转换结构和爆发性动态,从而改善了动力学系统的预测性能和推理算法的快速收敛,同时估计了基于因子结构和图结构的转换动态以获得更可解释的潜在结构,比相关模型更好地填补了缺失数据和预测未来观测。
Feb, 2024
通过构造负二项分析(NBFA)来解决泊松分布捕捉协变量出现在样本中自我重复及与其他协变量之间激发关系的局限性,并利用分层伽马负二项过程支持数不尽的因素。设计了两种基于多项式分布的混合成员模型,实现快速收敛和低计算复杂度的阻塞吉布斯采样器,提供比以前的方法更具优势的紧凑表示,预测能力和计算复杂性。
Apr, 2016
基于伽马 - 泊松构造,我们介绍了一种新的动态系统以处理多元计数数据,并且基于贝叶斯非参数先验关联和收缩模型参数,避免了过拟合问题。我们提出了一种高效的 MCMC 推断算法,证明该模型具有良好的预测性能和高度可解释的潜在结构。
Jan, 2017